gRPC 1.34.0 发布,高性能 RPC 框架

栏目: 软件资讯 · 发布时间: 3年前

内容简介:gRPC Core 的 1.34.0 版已经发布,详细的 gRPC 文档请参阅 grpc.io,此版本包含改进和一些错误修复,下面列出了本次更新的一些重点内容: Core 使用环境变量“ GRPC_XDS_EXPERIMENTAL_SECURITY_SUPPORT”保护 xd...

gRPC Core 的 1.34.0 版已经发布,详细的 gRPC 文档请参阅 grpc.io,此版本包含改进和一些错误修复,下面列出了本次更新的一些重点内容:

Core

  • 使用环境变量“ GRPC_XDS_EXPERIMENTAL_SECURITY_SUPPORT”保护 xds 安全代码。(#24782
  • 添加对“ unix-abstract:” URI 的支持,以支持抽象的 unix 域套接字。(#24500
  • 解析未垂直的 SAN 字段时的增量索引。(#24601
  • 还原“revert”不推荐使用 GRPC_ARG_HTTP2_MIN_SENT_PING_INTERVAL_WITHOUT_DATA_MS“”。(#24518
  • xds:NACKING 时将状态代码设置为 INVALID_ARGUMENT。(#24516
  • 在 address_sorting.h 中包括 stddef.h。(#24514
  • xds:在 RouteMatch 中添加对 case_sensitive 选项的支持。(#24381
  • 删除 Android NDK r12b 的 TLS 解决方法。(#24283

C++

  • 修复 define = grpc_no_xds = true 构建。(#24503
  • 对 CreateCustomInsecureChannelWithInterceptorsFromFd 的实验支持和测试。(#24362

C#

  • 修复了.NET 5 单文件应用程序中的 C#本机库加载(反向移植到 v1.34.x)。(#24853
  • 为特定于 Grpc.Core 的本机依赖项设置 RID。(#24766
  • 改进 PlatformApis 检查以检测 Unity。(#24714
  • 修复为在 .NET 5 或更高版本上不需要 libc-dev。(#24485
  • C#:通过将移动支持移至 Grpc.Core.Xamarin 软件包,使 Grpc.Core nuget 更简洁。(#24380
  • C#:不再支持 linux 和 macos 的 32 位运行时。(#24378
  • 优化更新 C#HelloworldXamarin 示例。(#24425

Objective-C

  • 支持 grpc-core 和 grpc-cpp 的 swift 软件包管理器。(#24571
  • 将传输信息添加到 grpc-objc 用户代理中。(#24253
  • 升级 iOS 和 OSX 到最新版本。(#24282

PHP

  • PHP:在 PECL 扩展中添加了对 PHP 8 的支持。(#24621
  • PHP:从 PECL 扩展中弃用 PHP 5 支持。(#24353

Python

  • 使 setuptools 作为 grpcio_tools 的依赖项。(#24752
  • 停止 ctrl-c 为 AsyncIO 服务器生成的垃圾邮件日志。(#24718
  • 使运行时 Protos 可以使用众所周知的类型。(#24478
  • Python 的 MACOSX_DEPLOYMENT_TARGET 升级到 10.10。(#24480
  • 使 Python 2 成为 Bazel 构建的可选依赖项。(#24407
  • Linux、macOS 支持预编译的 Python 3.9 轮子。(#24356

Ruby

  • Ruby 的 MACOSX_DEPLOYMENT_TARGET 升级到 10.10。(#24479

详细更新信息:https://github.com/grpc/grpc/releases/tag/v1.34.0


以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

推荐系统与深度学习

推荐系统与深度学习

黄昕、赵伟、王本友、吕慧伟、杨敏 / 清华大学出版社 / 2019-1-1 / 65.00元

本书的内容设置由浅入深,从传统的推荐算法过渡到近年兴起的深度学习技术。不管是初学者,还是有一定经验的从业人员,相信都能从本书的不同章节中有所收获。 区别于其他推荐算法书籍,本书引入了已被实践证明效果较好的深度学习推荐技术,包括Word2Vec、Wide & Deep、DeepFM、GAN 等技术应用,并给出了相关的实践代码;除了在算法层面讲解推荐系统的实现,还从工程层面详细阐述推荐系统如何搭建.一起来看看 《推荐系统与深度学习》 这本书的介绍吧!

MD5 加密
MD5 加密

MD5 加密工具

html转js在线工具
html转js在线工具

html转js在线工具