向量数据库由百度智能云Elasticsearch团队研发，能够快速实现向量检索、向量计算等功能需求。

背景

近年来基于Text(Document) Embedding、特征向量等的向量检索在推荐系统、图片的相似度检索中得到了广泛使用。用户可以使用Word2vec等工具将图像、音频、自然语言等复杂的数据信息映射为特征向量，再通过向量检索算法检索特征向量，从而实现了对复杂的数据信息的处理。为了处理向量数据，百度Elasticsearch向量检索插件提供了两种向量检索算法：linear算法和hnsw算法。

注意：目前向量检索插件支持功能发布后新创建的7.4.2、7.10.2版本的实例，您可以通过以下API查询集群是否支持knn插件，不支持向量检索插件的集群请提交工单，BES团队会协助升级集群，升级方式参见ES版本升级。

GET _cat/plugins?v

集群准备

使用方法

用户在写入数据前，需要根据业务的向量维度信息和性能需求配置knn参数，选择距离计算算法，创建所需的knn索引。创建索引后，即可以写入数据。在索引完成构建后，可以通过下文提供的查询方式，进行向量检索查询。

创建knn索引

我们需要预先创建knn索引，创建方式如下：

如下示例，我们创建了一个名为test-index的索引，包含了field1和field2字段。您也可以根据自身需求，自定义索引名称和字段名称。

PUT /test-index
{
    "settings": {
      "index": {
         "codec": "bpack_knn_hnsw",
         "bpack.knn.hnsw.space": "cosine",
         "bpack.knn.hnsw.m": 16,
         "bpack.knn.hnsw.ef_construction": 512
      }
   },
   "mappings": {
      "properties": {
         "field1": {
            "type": "bpack_vector",
            "dims": 2
         },
         "field2": {
            "type": "bpack_knn_vector",
            "dims": 2
         }
      }
   }
}

参数说明

settings中的bpack.knn.hnsw参数含义见下文中索引级别参数优化。

写入与查询数据

写入数据

我们向刚才创建的索引test-index的_doc中写入数据，写入数据示例如下：

POST /test-index/_doc/
{
    "field1" : [6.5, 2.5],
    "field2" : [6.5, 2.5],
    "price" : 10
}

其中field1、field2是我们刚刚创建的向量类型的字段，price是其他普通字段。

在索引完成构建后，我们可以查询数据如下：

linear查询

linear算法可以查询bpack_knn_vector类型的字段，也可以查询bpack_vector类型的字段。下例中，我们查询的是bpack_vector类型的字段field1。

POST /test-index/_search
{
   "query": {
      "script_score": {
         "query": {
            "match_all": {}
         },
         "script": {
            "source": "bpack_knn_script",
            "lang": "knn",
            "params": {
               "space": "cosine",
               "field": "field1",
               "vector": [3.5, 2.5]
            }
         }
      }
   },
   "size": 100
}
或
POST /test-index/_search
{
  "query": {
    "function_score": {
      "boost_mode": "replace",
      "script_score": {
        "script": {
          "source": "bpack_knn_script",
          "lang": "knn",
          "params": {
            "space": "cosine",
            "field": "field1",
            "vector": [3.5, 2.5]
          }
        }
      }
    }
  },
  "size": 100
}

其中查询参数含义为：

hnsw查询

使用hnsw的方式查询，该索引必须指定index.codec为bpack_knn_hnsw，且要查询的向量字段mapping指定的type必须是bpack_knn_vector。下例中，我们查询的是bpack_knn_vector类型的字段field2。

POST /test-index/_search
{
    "size" : 10,
    "query": {
        "hnsw": {
            "field2": {
                "vector": [3, 4],
                "k": 2,
                "ef": 512
            }
        }
    }
}

2022-01-18后创建的集群使用字段"hnsw"进行查询，之前的集群使用"knn"进行查询，如下：

POST /test-index/_search
{
    "size" : 10,
    "query": {
        "knn": {
            "field2": {
                "vector": [3, 4],
                "k": 2,
                "ef": 512
            }
        }
    }
}

其中查询参数含义为：

Elasticsearch Score详解

向量检索引擎支持余弦距离（cosine）、欧式距离（l2）、L1距离（l1）、点积（dot_prod）、海明码（hammingbit），其中L1距离、海明码为7.10.2版本新增。

海明码仅支持支持long型字段，且仅支持linear算法；其他仅支持向量字段。

linear

距离算法	距离公式	Elasticsearch Score
l2
l1
cosine
dot_prod
hammingbit（仅支持long型字段）	countSetBits(X ⊕ Y)	1 / (1 + countSetBits(X ⊕ Y))

hnsw

距离算法	距离公式	Elasticsearch Score
l2
l1
cosine

参数优化

索引级别的参数

创建索引时必须提供索引settings参数。如果用户不进行配置，将使用默认值。注意，以下参数只能在创建索引时配置，索引创建后不可修改。具体参数解析如下：

集群级别的参数

通用参数

缓存设置

linear算法缓存参数设置（7.10.2版本废弃）

hnsw算法缓存参数设置

Circuit Breaker（断路器）设置

hnsw算法会消耗大量堆外内存，而如果消耗的内存过多，Elasticsearch/Lucene可以使用的pagecache就会不足，集群性能将会下降。为了避免这种情况，我们可以配置Circuit Breaker来限制堆外内存的过量消耗。目前，当内存达到我们配置的断路器限制，则会触发驱逐机制，驱逐不常用的缓存项。

示例

PUT /_cluster/settings
{
    "persistent" : {
        "bpack.knn.hnsw.index_thread_qty" : 1,
        "bpack.knn.cache.item.expiry.time": "15m",
        "bpack.knn.memory.circuit_breaker.limit" : "55%",
        "bpack.knn.circuit_breaker.unset.percentage": 23
    }
}

查看hnsw算法的相关统计信息

查询状态的方式如下：

GET /_bpack/_knn/stats
GET /_bpack/_knn/nodeId1,nodeId2/stats/statName1,statName2

结果示例如下：

{
   "_nodes": {
      "total": 1,
      "successful": 1,
      "failed": 0
   },
   "cluster_name": "my-application",
   "circuit_breaker_triggered": false,
   "nodes": {
      "HYMrXXsBSamUkcAjhjeN0w: {
         "eviction_count" : 0,
         "miss_count" : 1,
         "graph_memory_usage_kb" : 1,
         "cache_capacity_reached" : false,
         "load_exception_count" : 0,
         "hit_count" : 0,
         "load_success_count" : 1,
         "total_load_time_nanos" : 2878745
      }
   }
}

集群状态参数：

节点状态参数：

性能对比

• 内存配置：30G
• cpu配置：逻辑核数56，2个物理cpu，每个cpu cores : 14
• Elasticsearch 节点：单节点

性能对比结果如下：

算法总结

• linear算法适用场景：

  • 数据量小(通常单分片在100w以下)；
  • 先执行正常的搜索过滤条件，然后在过滤后的结果集上进行向量检索计算；
  • 召回率100%，查询性能相比hnsw较慢

• hnsw算法适用场景：

  • 数据量相对大(集群数据量在千万级)；
  • 向量检索计算和其他过滤同时进行，建议适当的增大hnsw的查询参数k，以保证尽可能多的满足过滤条件的数据参与计算；
  • 查询性能要求高，召回率在90%以上

典型实践

• 建议写入结束后，在业务低峰期进行定期forceMerge，有助于降低查询延迟。
• 使用linear算法查询时，要根据数据量大小，定义好"bpack.knn.memory.cache.limit"参数。比如节点数据量为10G，如果使用"bpack.knn.memory.cache.limit"的默认值（计算2型默认值为30G*10%=3G），则会无法缓存。当大量查询时，有可能触发Elasticsearch的熔断操作，报错circuitBreakingException。

• 当构建较大数据量的向量索引时，可能会出现build较慢的情况，可以根据分片数和节点cpu核数，在写入数据前适当调整"bpack.knn.hnsw.index_thread_qty" 。例如，1kw数据量，1节点2分片，节点为16核cpu，我们可以把"bpack.knn.hnsw.index_thread_qty" 设置为4-6（如果设置为8，会使cpu满载，生产环境可能有风险），可以提高构建效率。

  需要注意的是，"bpack.knn.hnsw.index_thread_qty" 参数设置偏大，会导致构建时启动线程过多。在负载比较高的集群，不建议调整这个参数，以免集群满载。如果写入和构建向量索引偏慢，可以通过临时减少集群负载（减少其他写入和查询），并调大"bpack.knn.hnsw.index_thread_qty"的方式来加快构建 ，等到构建结束，再将"bpack.knn.hnsw.index_thread_qty" 调整回1。

• 当写入数据量为1kw条（比如约为10G）、1节点1分片、计算2型节点（16核cpu、64G内存）时，推荐参数设置为：

  PUT /_cluster/settings
  {
      "persistent" : {
          "bpack.knn.hnsw.index_thread_qty" : 1,
          "bpack.knn.cache.item.expiry.time": "1h",
          "bpack.knn.memory.circuit_breaker.limit" : "70%"
      }
  }

   分析：

   1. `"bpack.knn.hnsw.index_thread_qty" : 1`：通常情况下，建议设置为1；当索引构建过慢，可以参考上一条建议适当调整这个参数。
   2. `"bpack.knn.cache.item.expiry.time": "1h"`：可以根据自己需求的业务设定超时时间。
   3.  `"bpack.knn.memory.circuit_breaker.limit" : "70%"`：计算2型Elasticsearch的默认jvm内存为30G。"bpack.knn.memory.circuit_breaker.limit"为 70%*（64-30）=23.8G，可以容纳数据所占据的堆外内存。

常见问题

• Q：召回率是怎么定义的？

  A：用同样的向量查询两种查询方式，对比召回的文档，取二者相同的文档与召回文档总数的比值，即为待测向量的召回率。我们用召回率来表征查询的准确率。

• Q：为什么写入已经成功完成，索引的文档数并没有增加或完全达到写入量，且此时可能会查询失败？

  A：向量索引的构建发生在refresh或flush期间，虽然写入已经完成，但后台的向量索引构建任务可能仍然在继续。

• Q：如何安装向量检索插件？

  A：新申请的7.4.2\7.10.2集群，自带向量检索插件；如果您需要在集群安装向量检索插件，可以联系客服协助安装。