Elastic 9.0/8.18:BBQ、EDOT 和 LLM 可观察性、攻击发现、自动导入以及 ES|QL JOIN

news2025/5/19 19:26:38

作者:来自 Elastic Brian Bergholm

今天,我们很高兴地宣布 Elastic 9.0 和 8.18 的正式发布!

如果你觉得 8.x 版本系列已经很令人印象深刻,包含了 ANN、TSDB、ELSER、ES|QL、LTR、BBQ、logsdb 索引模式等功能,那你一定会对我们为 9.x 版本系列准备的新功能感到兴奋(从今天开始)。

Elastic 9.0 基于 Lucene 10.0,标志着 Elasticsearch、Elastic 搜索 AI 平台以及其核心解决方案 Elastic Observability 和 Elastic Security 的一次重大升级。此版本带来了更快的性能和更高的效率,得益于 Lucene 10.0 的内置改进,如更好的并行处理、更智能的索引和硬件优化。这些增强功能对资源优化和 Elastic 9.0 的功能产生了显著影响。

对于那些还不准备放手(一个好东西)的用户,我们有个好消息。我们将许多 9.0 新功能带入了 8.18 版本。像更好的二进制量化(BBQ)、Elastic 的 OpenTelemetry 分发版和 ES|QL LOOKUP JOIN 等功能今天就可以在 8.18 中使用。此外,请务必利用 Elastic Cloud Serverless —— 它是启动和扩展安全性、可观察性和搜索解决方案的最快方式,无需管理基础设施 —— 包括以下所有功能。

有哪些新功能?

让我们深入看看。9.0 和 8.18 版本在 Elastic 全产品线中引入了许多高影响力的功能:

  • 更优的二进制量化(Better Binary Quantization)现已正式可用,速度比 OpenSearch 快 5 倍。

  • Elastic 版 OpenTelemetry 分发(Elastic Distributions of OpenTelemetry, 简称 EDOT)现已正式可用,同时支持 LLM 可观测性,为 GenAI 驱动的应用提供性能、成本、安全性和可靠性的可视化。

  • 攻击发现(Attack Discovery)和 自动导入(Automatic Import)现已正式发布,推动 AI 驱动的安全分析向前发展。

  • Elasticsearch 查询语言(ES|QL) 得到重大增强,加入了强大的实时数据联结(join)功能、KQL 过滤器支持,并扩展了语义搜索,内存使用更低。

以下是各个解决方案的重点功能介绍。

Elasticsearch

Elasticsearch 帮助开发者在业内最常用的向量数据库上构建由 AI 驱动的搜索体验,开箱即用的语义搜索和生成式 AI 功能让这一切变得简单。

9.0 / 8.18 的亮点包括:

  • 一种由 Elastic 设计的尖端量化技术 Better Binary Quantization(BBQ),最早在 8.16 中作为技术预览推出,现在已正式可用于大规模生产工作负载。其更新后的算法在性能和相关性提升方面表现更优。

  • 开放推理 API 的扩展功能 现已正式发布,用户现在可以在 Elasticsearch 中使用 JinaAI 的嵌入(embeddings)和重排序(reranking)功能。

想了解更多内容,请查看 Elasticsearch 9.0 / 8.18 精选博客、BBQ 技术博客,或 9.0 / 8.18 版本发布说明。

Elastic Observability

Elastic Observability 通过基于搜索的相关性、无损的数据保留、提升的运营效率与成本控制,以及开放且面向未来的投资,帮助你预防故障中断。

9.0 / 8.18 的亮点包括:

  • Elastic Distributions of OpenTelemetry(EDOT) 现已在 9.0 中正式发布,使用原生的 OpenTelemetry schema 统一所有信号,以增强关联性与分析能力,同时提供企业级支持,无需专有插件。

  • LLM 可观测性 现已正式发布,能够为托管在 Amazon Bedrock(包括 Bedrock 的 Guardrails)、Google Vertex AI,以及 Azure OpenAI 和 OpenAI 中的模型提供关于性能、错误、提示、响应、使用情况与成本的全面洞察。

想了解更多信息,请查看 Elastic 9.0 / 8.18 Observability 精选博客或 9.0 / 8.18 版本发布说明。

Elastic 安全性

Elastic Security 利用 AI 驱动的安全分析,加速威胁检测、调查与响应,为 SecOps 打造面向未来的安全运营能力。

9.0 / 8.18 的亮点包括:

  • 攻击发现(Attack Discovery)自动导入(Automatic Import) 功能现已正式发布,为 SecOps 团队提供 AI 驱动的安全分析能力。

  • 检测规则的自动迁移(Automatic Migration) 以技术预览形式推出,可大幅简化从传统 SIEM 向 Elastic 迁移检测规则的过程,减少所需的时间与专业知识。

  • 可自定义的预构建规则 现已正式发布,使用户可以轻松定制和维护预构建的检测规则,从而加快检测工程流程,扩展更多用例覆盖。

想了解更多详情,请查看 Elastic Security 9.0 / 8.18 精选博客或 9.0 / 8.18 版本发布说明。

Elastic 搜索 AI 平台

Elastic Search AI Platform 融合了搜索的精准性与 AI 的智能性,所有用户 —— 无论使用场景为何 —— 都能从核心增强功能中受益。

9.0 / 8.18 的亮点包括:

  • ES|QL LOOKUP JOIN 的技术预览版 引入了 ES|QL 中的连接功能,解决了安全分析师与检测工程师常见的上下文增强需求,帮助他们从安全数据中获取更多关联信息。

  • ES|QL 中的 KQL 函数技术预览版 允许用户在 ES|QL 查询中使用熟悉的 KQL 查询语言。用户还可使用 scoring、Match、语义搜索等功能。

  • Elastic 开放推理 API 功能已正式发布,现支持在 Elasticsearch 中使用 JinaAI 的 embedding 和 rerank 能力。

如需了解更多详情,请参阅 Elastic Search AI Platform 9.0 / 8.18 精选博客、ES|QL JOIN 博客或 9.0 / 8.18 版本发布说明。

立即开始体验

准备好了吗?Elastic 9.0 / 8.18 已上线 Elastic Cloud —— 这是托管的 Elasticsearch 服务,包含本次版本发布中的全部新特性。

本文所述功能和时间安排完全由 Elastic 自行决定。当前尚未发布的任何功能,可能无法如期交付,甚至可能完全取消。

本文可能提及或引用了第三方生成式 AI 工具,相关所有权及运营均归其所有方所有。Elastic 无法控制这些工具,对其内容、运行或使用不承担任何责任,也不对使用这些工具所可能造成的损失负责。请在使用 AI 工具处理个人、敏感或机密信息时务必谨慎。你提交的数据可能会被用于 AI 训练或其他用途,Elastic 不保证你提供的信息会被安全或保密。建议在使用任何生成式 AI 工具前,充分了解其隐私政策与使用条款。

Elastic、Elasticsearch、ESRE、Elasticsearch Relevance Engine 及相关标志是 Elasticsearch N.V. 在美国及其他国家的商标、徽标或注册商标。其他公司和产品名称均为其各自所有者的商标、徽标或注册商标。

原文:Elastic 9.0/8.18: BBQ, EDOT & LLM observability, Attack Discovery, Auto Import, and ES|QL JOIN | Elastic Blog

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2337477.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

当 AI 有了 “万能插头” 和 “通用语言”:MCP 与 A2A 如何重构智能体生态

目录 一、MCP:让 AI 拥有 “万能工具插头” 1.1 从 “手工对接” 到 “即插即用” 1.2 架构解密:AI 如何 “指挥” 工具干活 1.3 安全优势:数据不出门,操作可追溯 二、A2A:让智能体学会 “跨语言协作” 2.1 从 “…

中间件--ClickHouse-3--列式存储和行式存储理解

在数据库存储中,列式存储(Columnar Storage)与行式存储(Row-based Storage)是两种不同的数据组织方式,它们各自适用于不同类型的应用场景。 1、行式存储(MySQL) 存储方式&#xff…

逻辑回归 (Logistic Regression)

文章目录 逻辑回归 (Logistic Regression)问题的引出Sigmoid function逻辑回归的解释决策边界 (Decision boundary)逻辑回归的代价函数机器学习中代价函数的设计1. 代价函数的来源(1)从概率模型推导而来(统计学习视角)&#xff08…

燕山大学计算机网络之Java实现TCP数据包结构设计与收发

觉得博主写的好,给博主点点免费的关注吧! 目录 摘要.................................................................................................................... 4 前言.............................................................…

JavaEE——线程安全

目录 前言1.线程安全的定义2.线程安全问题产生的原因2.1 多个线程修改一个变量2.2 修改操作不是原子的2.3 内存可见性引起的线程安全问题 3.解决线程安全问题的方法3.1 通过synchronized关键字加锁3.2 使用volatile关键字 总结 前言 在使用多线程的时候,难免会出现…

[redis进阶一]redis的持久化(2)AOF篇章

目录 一 为什么有了RDB持久化机制还要有AOF呢 板书介绍具体原因: ​编辑二 详细讲解AOF机制 (1)AOF的基本使用 1)板书如下 2)开启AOF机制: 3) AOF工作流程 (2)AOF是否会影响到redis性能 ​编辑 (3)AOF缓冲区刷新策略 (4)AOF的重写机制 板书如下: 为什么要有这个重写机…

【Linux我做主】探秘gcc/g++和动静态库

TOC Linux编译器gcc/g的使用 github地址 有梦想的电信狗 前言 在软件开发的世界中,编译器如同匠人的工具,将人类可读的代码转化为机器执行的指令。 对于Linux开发者而言,gcc和g是构建C/C程序的核心工具链,掌握它们的原理和使…

Vue3中发送请求时,如何解决重复请求发送问题?

文章目录 前言一、问题演示二、使用步骤1.One组件2.Two组件封装工具函数处理请求 总结 前言 在开发过程中,重复请求发送问题可能会导致数据不一致、服务器压力增加或用户操作异常。以下是解决重复请求问题的常见方法和最佳实践: 一、问题演示 我们看着…

观察者模式:从博客订阅到消息队列的解耦实践

观察者模式:从博客订阅到消息队列的解耦实践 一、模式核心:用事件驱动实现对象间松耦合 在新闻 APP 中,当热点事件发生时需要实时通知所有订阅用户;在电商系统中,库存变化需触发价格监控模块重新计算。这类场景的核心…

ReportLab 导出 PDF(页面布局)

ReportLab 导出 PDF(文档创建) ReportLab 导出 PDF(页面布局) ReportLab 导出 PDF(图文表格) PLATYPUS - 页面布局和排版 1. 设计目标2. 开始3. Flowables3.1. Flowable.draw()3.2. Flowable.drawOn(canvas,x,y)3.3. F…

【CVE-2024-10929】ARM CPU漏洞安全通告

安全之安全(security)博客目录导读 目录 一、概述 二、CVE详情 三、受影响产品 四、建议措施 五、致谢 六、版本历史 一、概述 在部分基于Arm架构的CPU中发现了一个潜在安全问题,称为Spectre-BSE(Branch Status Eviction,分支状态驱逐…

OpenCV 图形API(33)图像滤波-----高斯模糊函数gaussianBlur()

操作系统:ubuntu22.04 OpenCV版本:OpenCV4.9 IDE:Visual Studio Code 编程语言:C11 算法描述 使用高斯滤波器对图像进行模糊处理。 该函数使用指定的高斯核对源图像进行滤波。输出图像必须与输入图像具有相同的类型和通道数。 cv::gapi::g…

【2025最新版】火鸟门户v8.5系统源码+PC、H5、小程序 +数据化大屏插件

一.介绍 火鸟地方门户系统V8.5源码 系统包含4端: PCH5小程序APP 二.搭建环境 系统环境:CentOS、 运行环境:宝塔 Linux 网站环境:Nginx 1.2.22 MySQL 5.6 PHP-7.4 常见插件:fileinfo ; redis 三.测…

关于 传感器 的详细解析,涵盖定义、分类、工作原理、常见类型、应用领域、技术挑战及未来趋势,结合实例帮助理解其核心概念

以下是关于 传感器 的详细解析,涵盖定义、分类、工作原理、常见类型、应用领域、技术挑战及未来趋势,结合实例帮助理解其核心概念: 一、传感器的定义与核心功能 1. 定义 传感器(Sensor)是一种能够将物理量&#xff…

EtherCAT转ProfiNet边缘计算网关配置优化:汽车制造场景下PLC与机器人协同作业案例

1.行业背景与需求分析 智能汽车焊装车间是汽车制造的核心工艺环节,某德国豪华品牌在其上海MEB工厂新建的焊装车间中,采用西门子S7-1500PLC作为ProfiNet主站,负责整线协调与质量追溯;同时部署KUKAKR1500Titan机器人(Eth…

HTTP协议 --- 超文本传输协议 和 TCP --- 传输控制协议

是基于 TCP 协议的 80 端口的一种 C/S 架构协议。 特点:无状态 --- 数据传输完成后,会断开 TCP 连接,哪怕浏览器还正常运行。 请求报文 --- 方法 响应报文 --- 状态码 是一种面向连接的可靠传输协议 。 面向连接 --- 在传输数据之前&am…

类和对象(下篇)(详解)

【本节目标】 1. 再谈构造函数 2. Static成员 3. 友元 4. 内部类 5. 再次理解封装 1. 再谈构造函数 1.1 构造函数体赋值 在创建对象时&#xff0c;编译器通过调用构造函数&#xff0c;给对象中各个成员变量一个合适的初始值。 #include <iostream> using name…

LeetCode【剑指offer】系列(位运算篇)

剑指offer15.二进制中1的个数 题目链接 题目&#xff1a;编写一个函数&#xff0c;输入是一个无符号整数&#xff08;以二进制串的形式&#xff09;&#xff0c;返回其二进制表达式中数字位数为 ‘1’ 的个数&#xff08;也被称为 汉明重量).&#xff09;。 思路一&#xff…

网络安全领域的AI战略准备:从概念到实践

网络安全领域的AI准备不仅涉及最新工具和技术的应用&#xff0c;更是一项战略必需。许多企业若因目标不明确、数据准备不足或与业务重点脱节而未能有效利用AI技术&#xff0c;可能面临严重后果&#xff0c;包括高级网络威胁数量的激增。 AI准备的核心要素 构建稳健的网络安全…

MacOs下解决远程终端内容复制并到本地粘贴板

常常需要在服务器上捣鼓东西&#xff0c;同时需要将内容复制到本地的需求。 1-内容是在远程终端用vim打开&#xff0c;如何用vim的类似指令达到快速复制到本地呢&#xff1f; 假设待复制的内容&#xff1a; #include <iostream> #include <cstring> using names…