向量检索不仅在的跨模态检索场景中应用广泛,随着chat gpt的火热,es的向量检索,在Ai领域发挥着越来越大的作用。
本文,主要测试es的向量检索性能。我从8.x就开始关注ES的向量检索了。当前ES已经发布到 8.10 版本。以下是官方文档的链接:
https://www.elastic.co/guide/en/elasticsearch/reference/current/release-highlights.html
本文,在测试的时候使用的是8.3版本(因为测试的时候只发布到这里 )。
在本文中,妥妥滴都是干货,因为不仅有性能测试,还有搜索性能优化。这里预告以下,在千万规模数据中做的测试,将检索性能提升了将近100倍。在本文中可以看看性能是如何被优化的。
一、背景
测试ES - KNN向量检索性能、写入性能、准确度、资源占用情况。针对该需求,搭建一个8.3.0版本的ES节点,使用ES8.3.0版本的java Client高级API来调用KNN搜索。
测试资源介绍
机器情况 |
ES情况 |
插件 |
数据规模 |
数据情况 |
单台机器 48核心 64G内存 |
单个节点 单个索引 单个分片 不带副本 优化后的段的个数为1 ES版本 8.3.0 |
elastiknn
|
|
数据结构(索引结构和配置) 结构:三个字段,一个向量字段存放512维度的向量数据。一个路径字段,存放图片路径,一个文档id |
二、测试结果
写入性能
批量写数据,使用es bulk提交数据,数据刷新间隔时间30s(近实时)。
数据量 |
总耗时 |
平均每张耗时 |
340507 |
170s |
0.5ms |
写入数34万,耗时170s。
最佳查询性能
最终的性能如下表,千万级别的检索可以在毫秒级别。经历了两轮优化。
数据规模 |
检索 top-N |
平均耗时 |
最长耗时 |
34w (512维度) |
检索 top-1 |
[3] ms |
[110] ms |
检索 top-10 |
[6] ms |
[150] ms |
|
检索 top-100 |
[26] ms |
[810] ms |
|
1000W (512维度) |
检索 top-1 |
[14] ms |
[390] ms |
检索 top-10 |
[22] ms |
[220] ms |
|
检索 top-100 |
[42] ms |
[73] ms |
~ps 最长耗时是非常重要的指标,要重点关注。这很可能是用户在第一次点击搜索的时候出现的情况。短板效应。
检索优化过程
说明:使用ES原生KNN检索,尝试做了三轮优化。第一轮是对写入的数据,进行一次合并优化;第二轮使用使用开源的插件elastiknn进行优化。第三轮是将数据放在SSD磁盘的机器上。每轮提升两倍。整体性能提升近10倍。(测试结果会受到了Linux os cache的影响,磁盘上的数据从磁盘读取到os cache中 )如果追求检索性能,应该增加内存,来达到将更多的数据放在缓存中去做检索的目的。
ps~ 以下相同颜色做对比。第一轮对比,是forceMerge的优化。第二轮是插件优化。第三轮在千万数据集下做测试,接近生产需求,并且包含了三项优化一起做的场景。把三种优化,放在一起,带来更多的提升!
其中forceMerge优化,只能对不再发生变化的数据做优化。比如昨天入库的数据不再新增和修改,则优化可以生效。但是不适用于实时入库的数据!
数据规模 |
优化项 |
检索 top-N |
调用次数 |
总耗时 |
平均耗时 |
最长耗时 |
30W |
不优化 |
检索 top-2 |
22727 |
[1148351] ms |
[50] ms |
- |
force Merge |
检索 top-2 |
22727 |
[698089] ms |
[30] ms |
- |
|
不优化 |
检索 top-10 |
22727 |
[1962618] ms |
[86] ms |
[5183] ms |
|
插件优化 |
检索 top-10 |
22727 |
[795893] ms |
[35] ms |
[360] |
|
force Merge |
检索 top-10 |
22727 |
[1385920] ms |
[60] ms |
[2016] ms |
|
1000W |
不优化(HDD) |
检索 top-10 |
- |
- |
10 - 20 s |
20s |
SSD 优化 |
检索 top-10 |
22727 |
[2781526] ms |
[122] ms |
5s |
|
SSD + 插件 优化 |
检索 top-10 |
22727 |
[1046376] ms |
[46] ms |
5s |
|
SSD + 插件 + merge优化 |
检索 top-10 |
22727 |
[] ms |
[22] ms |
[220] ms |
使用elastiknn插件优化检索(只看插件优化)
数据合并 |
检索 top-N |
调用次数 |
总耗时 |
平均耗时 |
最长耗时 |
优化前 |
检索 top-10 |
22727 |
[1161129] ms |
[51] ms |
[387] |
优化后 |
检索 top-10 |
22727 |
[795893] ms |
[35] ms |
[360] |
优化后 |
检索 top-100 |
22727 |
[5776099] ms |
[254] ms |
[8759] |
华为云es + 自研插件 性能(性能比原生好10倍左右)
测试数据集
DataSet1:SIFT开源数据集,维度128,Base数据集100万条
DataSet2:SIFT10M开源数据集,维度128,Base数据集1100万条
DataSet3:GIST开源数据集,维度960,Base数据集100万条
检索性能
数据 |
索引类型 |
查询Top1 |
查询Top10 |
查询Top100 |
||||||
Rec |
RT |
QPS |
Rec |
RT |
QPS |
Rec |
RT |
QPS |
||
SIFT |
GRAPH |
0.992 |
2.63 |
6200 |
0.998 |
2.66 |
6000 |
0.992 |
3.79 |
4200 |
SIFT10M |
GRAPH |
0.998 |
3.20 |
5000 |
0.998 |
3.31 |
4800 |
0.985 |
4.82 |
3400 |
GIST |
GRAPH |
0.971 |
10.0 |
1500 |
0.963 |
12.0 |
1350 |
0.911 |
20.1 |
600 |
GIST |
GRAPH_PQ |
0.954 |
4.06 |
4000 |
0.934 |
6.54 |
2450 |
- |
- |
- |
说明:
Rec表示Topk召回率,RT表示平均查询时延(毫秒),QPS表示查询吞吐量;
由于GIST的维度较高,通过使用GRAPH_PQ加速能够极大地提升查询性能,以损失精准度为代价,来提升速度
三、索引结构
以下索引,30万数据规模用一个分片即可。1000万数据规模,给3个分片。
"knn_image_index": {
"aliases": {},
"mappings": {
"properties": {
"my_image_vector": {
"type": "dense_vector",
"dims": 512,
"index": true,
"similarity": "l2_norm"
},
"pic": {
"type": "keyword"
},
"pic_path": {
"type": "keyword"
}
}
},
"settings": {
"index": {
elastiknn": "true",
"routing": {
"allocation": {
"include": {
"_tier_preference": "data_content"
}
}
},
"refresh_interval": "30s",
"number_of_shards": "1",
"provided_name": "knn_image_index",
"creation_date": "1681825402139",
"number_of_replicas": "0",
"uuid": "KjqLhlv2SMGxlwWIjgJCMw",
"version": {
"created": "8030099"
}
}
}
}
}
四、资源使用情况
磁盘占用量
30W数据,占用1.7G磁盘空间。
内存占用量
内存使用量极少。
五、测试结论
ES支持ANN检索、支持删除、支持修改、数据写入性能平均每条耗时5ms。数据存储不占用内存空间,都在磁盘上。1000W图片占用磁盘空间50GB。
检索性能以下为最佳状态。存储使用SSD盘、使用elastiknn插件做优化、对数据做合并,merge成一个segment。能够达到最好的性能如下表。
数据规模 |
检索 top-N |
平均耗时 |
最长耗时 |
34w (512维度) |
检索 top-1 |
[3] ms |
[110] ms |
检索 top-10 |
[6] ms |
[150] ms |
|
检索 top-100 |
[26] ms |
[810] ms |
|
1000W (512维度) |
检索 top-1 |
[14] ms |
[390] ms |
检索 top-10 |
[22] ms |
[220] ms |
|
检索 top-100 |
[42] ms |
[73] ms |
是否能够满足使用需求
六、插件调研、开源测试工具调研、向量算法
KNN - plugin
插件 |
优点 |
缺点 |
git地址 |
活跃度 |
elastiknn |
1、性能提升一倍 2、社区持续活跃,一直跟着最新版本的ES版本去发布的插件 3、不用改官方的检索语法 |
暂未发现待调研 |
GitHub - alexklibisz/elastiknn: Elasticsearch plugin for nearest neighbor search. Store vectors and run similarity search using exact and approximate algorithms. |
最后一次更新一天前。持续活跃 |
k-NN |
相对elastiknn,该插件支持把底层生成hnsw一个结构加载进内存 |
基于内存构建 |
GitHub - opendistro-for-elasticsearch/k-NN: ��� A machine learning plugin which supports an approximate k-NN search algorithm for Open Distro. |
最后一次更新时间在2021年 |
GSI's Elasticsearch K-NN Plugin |
据说是使用GPU加速的插件 |
未开源,找不到 |
GSI's Elasticsearch k-NN Plugin | GSI Technology |
- |
开源向量性能测试工具
项目 |
优点 |
缺点 |
git地址 |
活跃度 |
对N个向量检索数据库做性能测试 |
GitHub - erikbern/ann-benchmarks: Benchmarks of approximate nearest neighbor libraries in Python |
最近两天 |
||
对十亿规模的向量数据做测试 |
GitHub - harsha-simhadri/big-ann-benchmarks: Framework for evaluating ANNS algorithms on billion scale datasets. |
最近两天 |
||
GSI's Elasticsearch K-NN Plugin |
GitHub - jobergum/dense-vector-ranking-performance: Performance evaluation of nearest neighbor search using Vespa, Elasticsearch and Open Distro for Elasticsearch K-NN |
两年前(21年) |
向量检索相关算法
图像检索:向量索引 文章来源:https://www.toymoban.com/news/detail-722618.html
蚂蚁金服 ZSearch 在向量检索上的探索 · SOFAStack文章来源地址https://www.toymoban.com/news/detail-722618.html
到了这里,关于ES 8.x 向量检索性能测试 & 把向量检索性能提升100倍!的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!