Debezium 博客

在 Debezium 2.3 中，我们推出了一个全新的 Debezium Operator 的预览版，旨在为 Kubernetes (k8s) 集群提供无缝的 Debezium Server 部署。Debezium 2.4.0.Final 版本带来了向该组件全面支持迈出的下一步。在此版本中，我们很高兴地宣布 Debezium Operator 现在已包含在 Kubernetes 的 OperatorHub 目录以及 OpenShift 和 OKD 分发版中嵌入的社区 Operator 目录中。该 Operator 仍处于孵化阶段；然而，对该组件的全面支持正在快速到来。

欢迎阅读我们关于 Debezium 信号和通知系列的第三篇文章。在本文中，我们将继续探索 Debezium 信号和通知。特别是，我们将深入探讨如何使用 JMX 通道启用和管理这些功能。

我们还将探讨如何通过利用 Jolokia 的 REST API 发送信号和获取通知。

随着夏季的结束，我们进入秋季，天气转凉，团队辛勤地准备着 Debezium 的下一个主要里程碑。我很荣幸地宣布下一个次要版本的发布，即 Debezium 2.4.0.Final。

随着团队开始新的开发迭代之旅，让我们花点时间回顾一下 Debezium 2.4 中包含的所有新功能、更改和改进，包括 231 个问题的解决，来自 68 位独特贡献者的贡献。

在 上一篇博文 中，我们展示了如何利用 Debezium 从数据库中的现有数据训练神经网络模型，并使用这个预训练模型对新存入数据库的图像进行分类。在本篇博文中，我们将更进一步——我们将使用 Debezium 从数据库创建多个数据流，其中一个流用于持续学习和改进我们的模型，第二个流用于对数据进行预测。当模型不断得到改进或根据最近的数据样本进行调整时，这种方法被称为 在线机器学习。在线学习只适用于某些用例，并且实现给定算法的在线变体可能具有挑战性，甚至不可能。然而，在在线学习可行的场景中，它成为一个非常强大的工具，因为它允许实时响应数据变化，并避免了重新训练和重新部署新模型的需要，从而节省了硬件和运营成本。随着数据流的日益普及，例如随着物联网的出现，我们可以预期在线学习将变得越来越受欢迎。它通常非常适合分析流式数据，尤其是在可能的情况下。