删除存在风险的 RPC 接口和 JEXL 函数，强化命名规范校验与服务地址配置逻辑，优化分区表自动删除机制，同时对数据库监控、性能、稳定性进行了全方位提升。修复分区表自动删除逻辑的问题：仅数据库（DB）级别配置的 TTL 生效，使用数据库内配置的最大 TTL 值。我们为大家提供了参与指南，欢迎越来越多的小伙伴助力 Apache IoTDB 项目的不断发展与前进。其他：调整代码逻辑，使内部服务绑定

（GSoC）的申请季即将到来，Apache 软件基金会（ASF）再次以指导机构的身份参与其中，Apache IoTDB 社区也满怀期待地迎接新贡献者的加入。如果你希望参与真实世界的时序数据基础设施开发，向经验丰富的开源导师学习，并做出对生产环境有价值的贡献，Apache IoTDB 社区非常欢迎你的加入。，专为高写入量的业务负载打造，具备高效的存储能力和实时分析特性，广泛应用于工业物联网、智能基础

流处理模块：Pipe 过滤路径时，支持以逗号分隔，混合使用 source.pattern 与 source.path 参数。修复 memtable 中，一个序列在 TVList 超过 20w 点后，倒序带时间过滤条件查询，可能遗漏部分数据的问题。其他：修复安全漏洞 CVE-2025-12183、CVE-2025-66566 及 CVE-2025-11226。修复使用主动加载函数，加载采用非默认时间

中，业务团队采用 “仿真程序生成数据→写入 Kafka 消息队列→Flink 集群消费消息队列→Flink 将数据写入 IoTDB 集群” 的架构，96 个节点的 IoTDB 集群写入吞吐仅为 15 GB/秒。业务侧基于该结论验证，将 Flink 写入 IoTDB 的链路断开后，Flink 空跑的整体吞吐仅为 20 GB/秒，确认瓶颈点在 Flink 客户端侧。借助 IoTDB 精细化的 CPU

IoTDB 与 TsFile Skills 是一次面向“被理解”的尝试，协变量预测与 AINode 则是走向“内生智能”的探索。从连接，到理解，再到内生智能 —— 这正是数据库在 Agent 时代完成角色升级的三条关键路径。未来，也许不是所有数据库都要变成 Agent，但所有数据库都需要适配 Agent 时代的需求。如何让 AI 突破 “只会调用、不懂逻辑” 的瓶颈，真正准确理解时序数据库的核心逻

业务分析时不得不反复跨系统查询、手工拼接？更复杂的是，当业务系统需要同时访问 MySQL 中的元数据与 IoTDB 中的海量时序数据时，“多源异构”往往意味着“多重负担”。如果你的项目正面临多源数据融合的挑战，或是希望在业务系统与物联网数据之间搭建一座高效桥梁，不妨试试这一组合。，正是为解决这一痛点而生 —— 通过 MyCat 的分库分表中间件能力，将 IoTDB 作为时序数据存储引擎纳入统一数据

流处理模块：Pipe 过滤路径时，支持以逗号分隔，混合使用 source.pattern 与 source.path 参数。修复 memtable 中，一个序列在 TVList 超过 20w 点后，倒序带时间过滤条件查询，可能遗漏部分数据的问题。其他：修复安全漏洞 CVE-2025-12183、CVE-2025-66566 及 CVE-2025-11226。修复使用主动加载函数，加载采用非默认时间

在实际生产环境中，传感器故障、网络波动等情况常会造成设备数据缺失，常规填充方式包括直接使用前序数值填充、采用固定常量填充，或基于前后数据进行线性插值等方法，但可能难以贴合真实数据趋势，容易对后续分析带来干扰。未来，随着时序数据与 AI 技术的深度融合，IoTDB 将持续增强 AI 智能分析能力，优化模型适配性，拓展更多行业应用场景，让时序智能赋能千行百业实现数字化、智能化升级。，也无需将此类极端数

未来，团队将持续深化 Timer 大模型的技术迭代，进一步优化其在低资源场景、实时推理、多模态时序融合等方面的能力，推动国产时序大模型技术走向更广阔的产业场景，为我国重点领域数字经济的高质量、高智能发展提供更坚实的技术保障。企业无需额外搭建复杂的 AI 框架，即可轻松实现时序数据的预测、预警与价值挖掘，让沉淀的时间数据真正转化为可落地的业务价值。在数字化转型深入推进的当下，国产时序大模型正以坚实的

这次航空场景中的实践也再次说明：在复杂、高要求的行业场景里，AI 的价值并不只是“用了模型”，而在于是否真正理解业务、定义好问题，并把模型能力嵌入到可执行的业务流程中。对航空公司来说，一次关键部件故障带来的影响，从来不只是一次维修本身。在航空运维场景中，重要的不只是“故障发生后尽快处理”，还在于能否在故障真正影响运行之前，更早识别异常征兆，把被动维修尽可能前移为预见性维护。当故障样本稀少、工况高度