All Products
Search

This Product

    OpenSearch:Kalkulator Spesifikasi

    Document Center

    OpenSearch:Kalkulator Spesifikasi

    Last Updated:Aug 20, 2026

    Sebelum membeli instans Vector Search Edition, gunakan kalkulator spesifikasi untuk mendapatkan rekomendasi konfigurasi node kueri dan node data. Topik ini juga menyediakan data benchmark HNSW dan IVF_SQ8 pada berbagai skala data sebagai referensi performa dalam pemilihan spesifikasi.

    Gunakan kalkulator spesifikasi

    Pada halaman pembelian Vector Search Edition, klik Specification Calculator.

    Kotak dialog OpenSearch Vector Search Edition Specification Calculator akan muncul, berisi bagian Basic Configurations, Vector Data Configurations, dan Query Configurations. Setelah mengisi parameter, klik Perform Operation untuk mendapatkan rekomendasi spesifikasi.

    Basic configurations

    1. Instance region: Wilayah tempat engine akan dibuat.

    2. Disaster recovery: Apakah diperlukan disaster recovery. Pilih Yes atau No dari daftar drop-down.

    Vector data configurations

    1. Number of vector docs: Jumlah entri data vektor yang akan ditulis ke engine.

    2. Vector dimension: Dimensi vektor yang akan ditulis ke engine.

    3. Vector algorithm: Pilih algoritma vektor sesuai kebutuhan Anda. Tiga algoritma berikut didukung:

    • HNSW: Algoritma pengambilan vektor berbasis graf dengan tingkat recall sangat tinggi dan performa baik. Konsumsi memori dan storage-nya sebanding dengan Linear. HNSW bekerja baik pada dataset vektor berdimensi rendah maupun tinggi, sehingga cocok untuk sebagian besar skenario pencarian vektor.

    • QC: Algoritma pengambilan vektor berbasis kuantisasi dan pengelompokan dengan akurasi recall sangat tinggi, konsumsi resource rendah, serta performa baik. Performanya lebih unggul pada dataset vektor berdimensi rendah. Konsumsi memori dan storage-nya biasanya sekitar seperempat dari yang dibutuhkan oleh Linear dan HNSW. QC cocok untuk skenario pengambilan berskala besar yang tidak memiliki persyaratan ketat terhadap tingkat recall.

    • Linear: Algoritma pencarian linear (brute-force search) yang menjamin hasil pengambilan sepenuhnya akurat tetapi mengonsumsi banyak resource dan menawarkan performa lebih rendah. Biasanya digunakan untuk pencarian presisi pada dataset kecil hingga 10.000 entri.

    Query configurations

    1. Average QPS: Permintaan per detik (QPS) yang diharapkan untuk engine.

    2. Expected average response time: Waktu respons rata-rata target untuk hasil recall. Satuannya dapat berupa detik (s) atau milidetik (ms).

    Setelah mengisi parameter, klik Perform Operation.

    Rekomendasi mencakup parameter seperti query node specification family, number of query nodes, query node specification, data node specification family, number of data nodes, data node specification, dan storage space/disk space per data node. Beli spesifikasi yang sesuai berdasarkan hasil rekomendasi tersebut.

    HNSW benchmark data

    Data uji berikut didasarkan pada dataset publik, menggunakan versi engine vector_service 1.5.9, dengan konfigurasi 1 query node + 1 data node cloud disk. Parameter pembuatan indeks: M = 100, ef-construction = 500.

    Dataset

    Specification

    Parameters

    recall@k (serial)

    P95 latency (serial)

    Peak QPS (concurrent)

    Peak concurrency

    Query node CPU/Mem

    Data node CPU/Mem

    Index memory usage

    OpenAI 1536D 50K

    2C8G query node + 2C16G data node

    ef=20, k=10

    0,9793

    20ms

    643

    10

    89%/12%

    61%/10%

    311MB

    ef=200, k=100

    0,9991

    —

    —

    —

    —

    —

    4C16G query node + 4C32G data node

    ef=20, k=10

    0,9805

    27ms

    1.035

    20

    99%/7%

    38%/18%

    ef=200, k=100

    0,9989

    35ms

    744

    20

    88%/7%

    88%/18%

    Cohere 768D 1M

    4C16G query node + 4C32G data node

    ef=20, k=10

    0,9560

    18ms

    1.413

    20

    96%/7%

    48%/18%

    3,13GB

    ef=200, k=100

    0,9919

    131ms

    745

    80

    68%/7%

    91%/18%

    4C16G query node + 8C64G data node

    ef=20, k=10

    0,9598

    26ms

    1.601

    30

    99%/8%

    29%/8%

    ef=200, k=100

    0,9921

    25ms

    1.527

    30

    97%/7%

    93%/8%

    Cohere 768D 10M

    8C32G query node + 8C64G data node

    ef=20, k=10

    0,9429

    24ms

    1.534

    30

    70%/3%

    95%/55%

    33GB

    ef=200, k=100

    0,9552

    55ms

    662

    30

    40%/5%

    95%/55%

    Hubungan antara watermark memori node data dan performa

    Uji berikut menggunakan dataset Cohere 768D, dengan konfigurasi 4C16G query node + 4C32G data node cloud disk, dan indeks HNSW (InnerProduct, ef-construction = 500, M = 100). Data dimasukkan secara inkremental (1 juta entri per kali) untuk mengamati dampak persentase penggunaan memori node data terhadap QPS.

    Data volume

    Index memory usage

    Process memory usage

    QPS (k=10, ef=20)

    QPS (k=100, ef=200)

    2M

    6,3GB

    26,6%

    1.368

    647

    4M

    12,5GB

    47,8%

    1.324

    378

    5M

    15,6GB

    59,2%

    1.068

    334

    6M

    18,8GB

    69%

    1.112

    341

    7M

    21,8GB

    80%

    Nearly unusable

    8M

    —

    —

    —

    —

    Pada konfigurasi umum, indeks vektor, indeks PK, dan indeks terbalik dikunci di memori fisik menggunakan mlock untuk latensi pengambilan terendah. Data lain (atribut, ringkasan, dll.) tidak dikunci dengan mlock dan mengandalkan cache halaman OS untuk pemuatan sesuai permintaan. Saat persentase penggunaan memori meningkat, cache halaman dikompresi, dan akses atribut yang sering memicu page faults, sehingga menyebabkan peningkatan latensi:

    • Watermark > 70%: QPS turun tajam.

    • Watermark > 80%: Layanan menjadi hampir tidak dapat digunakan.

    IVF_SQ8 benchmark data

    Uji berikut menggunakan dataset Cohere 768D 10M, dengan konfigurasi 4C16G query node + 4C32G data node cloud disk.

    Parameter pembuatan indeks:

    {
  "proxima.qc.builder.quantizer_class": "Int8QuantizerConverter",
  "proxima.qc.builder.quantize_by_centroid": true,
  "proxima.qc.builder.optimizer_class": "BruteForceBuilder",
  "proxima.qc.builder.thread_count": 10,
  "proxima.qc.builder.optimizer_params": {
    "proxima.linear.builder.column_major_order": true
  },
  "proxima.qc.builder.store_original_features": false,
  "proxima.qc.builder.train_sample_count": 3000000,
  "proxima.qc.builder.train_sample_ratio": 0.5
}

    Uji serial: tingkat recall dan latensi

    Scan ratio

    Recall rate

    Latency (P99)

    Latency (P95)

    0,01

    0,9123

    39,5ms

    35,7ms

    0,05

    0,9454

    84ms

    75ms

    Uji performa konkuren: penyisipan inkremental

    10 juta entri data vektor berdimensi 768 dimasukkan secara inkremental untuk mengamati perubahan ukuran indeks dan QPS kueri pada berbagai volume data.

    Data volume

    Index memory usage

    Memory usage

    QPS (scan ratio 0,01, k=100)

    QPS (scan ratio 0,05, k=100)

    1M

    2,25GB

    7,4%

    1.000

    558

    2M

    3,11GB

    10,4%

    766

    258

    4M

    4,95GB

    16%

    408

    122

    10M

    9,9GB

    32,4%

    131

    46