Apache Kyuubi 1.3.0-incubating 正式发布

网易杭研 2021-09-18 18:07:59

9月14日,Apache Kyuubi (Incubating) 社区发布了进入 Apache 孵化器后的第一个公开发行的正式版本,该版本的代号为 v1.3.0-incubating。

对于作为新晋 Apache 孵化器项目的 Kyuubi 而言,成为 Apache Top Level Project(TLP) 是其目标, 对于正式版本的发布我们需要深刻地践行 Apache Way,遵循社区的 RELEASE POLICY。和 TLP 们不同的是,孵化器项目需要通过两轮投票才能正式完成版本发布,首先是项目社区 dev mailing lists 的投票,决议通过之后需要在 general mailing lists 中发起新一轮的投票并接受并通过 Apache IPMC Member 的检查。在 RC7 经历一点小挫折后,在 Kyuubi 社区的共同努力下,v1.3.0-incubating RC9 最终获得了 Apache IPMC 的肯定,成功完成孵化以来的首次发布。

新版本主要更新

此次发布带来了 Lakehouse、Serverless Spark 等方面的多项增强,主要包括:

  1. 基于最新的 Spark 3.0/3.1 版本做了充分的验证
  2. 支持使用 JDK 8(默认),JDK 11 构建
  3. 在 Kyuubi Spark Extensions 模块中提供了增强的 AQE (目前支持 Spark 3.1)
  4. 提供了一些辅助的 SQL 函数作为 Spark 内置函数的补充
  5. 显著增强了 Spark 与 Kubernetes 的集成,涵盖文档、集成测试、工具等
  6. 支持配置 Engine/Session 级别的初始化 SQL 语句列表
  7. 支持自定义认证插件
  8. 支持从 Spark Web UI 上关停 engine
  9. 支持单引擎共享 SparkSession 模式
  10. 提供更多的指标和事件输出,增强可观测性
  11. 在数据湖平台 Delta 和 Iceberg 之上进行了充分的测试
  12. 在 MiniYARNCluster 之上进行了充分的测试

更多详情见发布公告:https://kyuubi.apache.org/release/1.3.0-incubating.html

践行社区驱动

Apache Kyuubi (Incubating) 是一款构建在 Apache Spark 之上的分布式多租户 Thrift JDBC/ODBC 服务,最初由网易数帆主导开源,并于今年6月21日正式进入 Apache 孵化器。自项目进入 Apache 孵化器并完成早期项目的迁库开始,Kyuubi 社区一方面在项目导师们的帮助下开始构建新版本的发布计划,完成了本次发布计划;另一方面也在 "Community Over Code" 理念指引下积极壮大社区,在这一个多月间,我们开发者人数完成了近倍数的增长。此外,在用户的驱动下,我们也完成了和其他 Apache 社区的初步合作,比如 Apache DolphinScheduler 及 Apache Iceberg 等,共同帮助用户解决问题。

如何下载使用最新版本?

最新的 Apache Kyuubi (Incubating) 1.3.0-incubating 版本保持了对早期 Kyuubi 1.x (非 ASF release)的良好兼容性,用户可选择至官方下载连接https://kyuubi.apache.org/release/1.3.0-incubating.html 完成下载后,进行原地升级。

对于新接触 Apache Kyuubi (Incubating) 用户,可以参考我们的 Quick Start 指南进行技能解锁, 详见https://kyuubi.apache.org/docs/r1.3.0-incubating/quick_start/index.html

如何参与社区?

Apache Kyuubi (Incubating) 项目是社区驱动的,我们致力于在 Apache Way 的指导下,为用户提供简单易用的大数据产品,我们强调社区协作,互相帮助,共同成长。

首先,如果您在下载和使用 Apache Kyuubi (Incubating) 1.3.0-incubating 中发现任何问题,欢迎使用 Github Issues 功能,https://github.com/apache/incubator-kyuubi/issues

 

如果您或者您的公司正在使用 Apache Kyuubi(Incubating) 并希望能够和社区和其他用户共享,可以在 Who is using Apache Kyuubi (Incubating)?中进行留言。

我们也接受其他任何形式的帮助,详见 https://github.com/apache/incubator-kyuubi#contributing,欢迎通过 dev-subscribe@kyuubi.apache.org 订阅我们的邮件列表,获取社区最新动向。

致谢

在社区驱动的模式下,Apache Kyuubi (Incubating)官网

1.3.0-incubating 的正式发布,是在 Kyuubi 的 Apache 孵化器之旅上前进的一小步。真诚地感谢每一位项目导师、社区贡献者及用户的信任、支持和帮助。也感谢 Apache 本土社区 ALC Beijing 给国内开源项目开辟的良好开源环境。

了解更多

Apache Kyuubi (Incubating)项目官网

Apache Kyuubi (Incubating)项目GitHub

Apache Kyuubi(Incubating):网易对 Serverless Spark 的探索与实践

Spark + Kyuubi + Iceberg = Lakehouse

Apache Kyuubi PPMC 燕青:为什么说这是开源最好的时代?

全票通过!网易数帆开源项目Kyuubi进入Apache孵化器

...全文
517 1 打赏 收藏 转发到动态 举报
写回复
用AI写文章
1 条回复
切换为时间正序
请发表友善的回复…
发表回复
CSDN-Ada助手 2023-01-13
  • 打赏
  • 举报
回复
您可以前往 CSDN问答-移动开发 发布问题, 以便更快地解决您的疑问
内容概要:本文档是一份针对初学者的Spring框架整合学习笔记,系统介绍了Spring Framework的核心基础与Spring MVC的开发应用。内容涵盖IOC(控制反转)的基本概念、配置方式与注解使用,详细讲解了bean的生命周期、作用域、依赖注入方式及自动装配机制;深入阐述AOP(面向切面编程)的XML与注解实现,包括切点、通知、织入等核心概念;全面演示Spring MVC的环境搭建、请求处理、参数绑定、视图解析、文件上传、RESTful风格支持、JSON返回、异常处理与拦截器开发;同时包含表单验证、国际化、与Struts2对比以及Spring IOC与MVC整合等实用知识点。; 适合人群:具备Java基础和基本Web开发经验,正在学习或刚进入企业级Java开发领域的初级程序员、应届毕业生及转行人员。; 使用场景及目标:①掌握Spring核心机制如IOC、AOP的原理与实际配置;②能够独立搭建Spring MVC项目并实现常见Web功能如参数接收、响应处理、文件上传、异常统一管理等;③理解Spring生态中各注解的作用与最佳实践,为后续学习Spring Boot和微服务打下坚实基础。; 阅读建议:此资源以理论结合实操为主,建议边阅读边动手搭建项目,重点理解配置背后的运行机制,尤其是bean生命周期、AOP织入过程和MVC请求流程,配合调试加深理解。
内容概要:本文围绕2026年高教社杯全国大学生数学建模竞赛A题“药材的烘干问题”提供完整的数学建模解决方案,涵盖问题分析、模型构建、算法实现与论文撰写等全套资源。文档不仅深入解析药材烘干过程中的传热传质机理,建立优化模型以提升干燥效率与品质,还系统整合了Matlab、Python等多种编程语言的代码实现方案,并附有高质量论文模板与写作指导。此外,资源包扩展覆盖无线电干扰源定位、微网电力调控、时频冲突消解、SEM广告投放策略等多个赛题,以及信号处理、电力系统优化、车间调度、路径规划、图像处理等多领域科研技术支持,配套提供大量仿真代码、算法模型与网盘资源链接,形成面向数学建模竞赛与科研实践的一站式学习与应用平台。; 适合人群:全国大学生数学建模竞赛参赛者,具备一定数学建模、编程基础的本科及研究生层次学生,以及从事智能优化、信号处理、电力系统、路径规划等相关领域的科研人员与工程技术人员。; 使用场景及目标:①辅助完成数学建模竞赛题目,特别是药材烘干过程的建模与优化求解;②学习多领域典型问题的建模方法与算法实现技巧,如优化算法、机器学习、控制仿真等;③获取标准化论文写作框架与优秀范例,提升科研表达能力与竞赛成绩。; 阅读建议:建议结合文档中提供的代码与论文范例进行实操复现,重点掌握建模逻辑、算法选型与结果分析方法;充分利用网盘资源拓展学习广度,针对自身研究方向深入钻研相关技术细节,全面提升综合实践与创新能力。
内容概要:本文系统阐述了基于矩方法的工程不确定度快速评估策略,重点突出其在迭代设计优化中的计算效率与稳定性优势,并配套提供了完整的Matlab代码实现。该方法通过提取输入变量的高阶矩信息,结合最大熵原理进行概率分布重建,从而实现对输出响应不确定性的高效传播分析,有效克服了传统蒙特卡洛方法计算成本高昂的弊端。研究深入对比了最大熵方法与Pearson分布系统在处理单峰及多峰分布尾部估计时的性能差异,验证了前者在扩展不确定度评估中的更高精度与更强鲁棒性,尤其适用于航空航天、高端装备等对可靠性要求严苛的复杂工程系统。; 适合人群:具备概率统计、随机过程及数值计算基础,从事工程设计、可靠性分析、不确定性量化或优化研究的科研人员、工程师及高年级研究生。; 使用场景及目标:①解决复杂工程系统中因材料、制造、载荷等多源不确定性引发的性能波动评估难题;②在迭代式设计优化流程中嵌入高效的不确定度传播模块,提升优化过程的稳定性与收敛性;③替代计算耗时的抽样方法(如蒙特卡洛),实现快速风险评估与可靠性分析;④应用于高维、非线性系统的尾部风险预测与安全边界划定。; 阅读建议:建议读者结合提供的Matlab代码,重点研读高阶矩计算、矩约束构建、熵最大化优化求解及概率密度函数重建等关键模块的实现细节,通过复现文中的对比实验,深入理解不同方法在尾部估计上的差异,并尝试将其应用于自身的工程案例中以掌握其适用边界与调参技巧。

332

社区成员

发帖
与我相关
我的任务
社区描述
专注数字化转型基础软件,包括云原生、低代码、大数据、AI等。已开源项目:Apache Kyuubi,Curve,Arctic,Loggie,Slime,Hango,KubeCube,KubeDiag
开源大数据云原生 企业社区
社区管理员
  • 网易杭研
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧