ApsaraDB RDS:Vector storage

Recursos

O RDS for MySQL possui suporte nativo ao processamento de dados vetoriais, incluindo armazenamento de vetores, cálculo de similaridade e criação de índices de alto desempenho. Essa capacidade fornece uma solução vetorial pronta para uso em cenários como busca semântica em larga escala, recomendações inteligentes e análise multimodal. Utilize interfaces SQL padrão para integrar perfeitamente a correspondência vetorial de alta precisão a lógicas de negócio complexas. Com essa integração, você constrói e implanta rapidamente aplicações inovadoras de IA em uma arquitetura de baixo custo e alta compatibilidade.

• Armazenamento, acesso e computação eficientes de vetores de alta dimensão: Permite armazenar dados vetoriais de ponto flutuante com até 16.383 dimensões e introduz o tipo de dado VECTOR. O suporte a interfaces SQL padrão possibilita gravar, atualizar e gerenciar dados vetorizados em lotes diretamente. A tabela a seguir descreve as funções de processamento de vetores suportadas.

  Nome da função	Descrição
  VECTOR_DIM	Retorna o número de dimensões de um vetor.
  VEC_FROMTEXT	Converte uma string em um vetor.
  TO_VECTOR
  STRING_TO_VECTOR
  VEC_TOTEXT	Converte um vetor em uma string.
  FROM_VECTOR
  VECTOR_TO_STRING
  VEC_DISTANCE	Calcula a distância entre dois vetores. Se um dos operandos for uma coluna indexada, a função detecta automaticamente o tipo de distância do índice.
  VEC_DISTANCE_EUCLIDEAN
  VEC_DISTANCE_COSINE

• Índice vetorial de alto desempenho: O índice vetorial utiliza um algoritmo HNSW (Hierarchical Navigable Small World) profundamente otimizado. Técnicas como aceleração de hardware SIMD, poda de busca com filtro Bloom e pushdown de condição LIMIT melhoram significativamente a eficiência de recuperação para dados vetoriais em grande escala. Também há suporte para armazenamento híbrido e consultas conjuntas de dados vetoriais e escalares.

• Ecossistema open source e usabilidade imediata: O recurso é totalmente compatível com o protocolo MySQL e suporta ferramentas JDBC/ORM, além de frameworks de desenvolvimento populares. A integração com services da Alibaba Cloud, como DTS e DMS, oferece capacidades de ciclo de vida completo, incluindo sincronização de dados, gerenciamento, backup e recuperação. Atualize instâncias existentes com um único clique, sem necessidade de criar um novo cluster.

Aplicabilidade

• Versão do banco de dados: MySQL 8.0 (versão secundária do mecanismo 20251031 ou posterior). Caso sua instância não atenda aos requisitos de versão, atualize a versão secundária do mecanismo ou atualize a versão principal do mecanismo.

• Este recurso apresenta as seguintes limitações:

  • Crie índices vetoriais apenas em tabelas que utilizam o mecanismo InnoDB.

  • O comprimento da chave primária da tabela não pode exceder 256 bytes.

  • Não utilize a sintaxe inplace para criar, modificar ou excluir um índice vetorial.

  • Não defina um índice vetorial como INVISIBLE.

  • Não use o recurso Recycle Bin em tabelas que contêm um índice vetorial.

  • Modificações de dados e consultas em um índice vetorial suportam exclusivamente o nível de isolamento Read Committed (RC).

  • Devido à aleatoriedade do algoritmo HNSW, como atribuição aleatória de níveis e algoritmos heurísticos, não há garantia de que a estrutura de grafo do índice vetorial nas instâncias primária e standby seja idêntica.

  • Se um procedimento armazenado ou função no banco de dados de origem usar o tipo vector, a sincronização ou migração para um banco de dados de destino sem suporte a vetores falhará.

Gerenciamento de parâmetros

Ativar e usar o armazenamento de vetores

Etapa 1: Ativar o suporte a vetores

1. Acesse o console RDS, selecione a região de destino e clique em ID da instância.

2. Na página Basic Information, na seção Running Status, localize Vector Storage e clique em Enable.

3. Quando o status mudar para Enabled, o recurso entrará em vigor imediatamente.

Etapa 2: Criar uma tabela e um índice vetorial

-- Create a table with a 5-dimension vector column and an HNSW index
CREATE TABLE product_embeddings (
  id INT NOT NULL AUTO_INCREMENT PRIMARY KEY,
  product_name VARCHAR(255),
  embedding VECTOR(5) NOT NULL,
  -- Create a vector index, and specify M (graph connectivity) and the distance metric
  VECTOR INDEX idx_embedding(embedding) M=16 DISTANCE=COSINE
);

Etapa 3: Inserir dados

-- Use the VEC_FROMTEXT function to insert vector data
INSERT INTO product_embeddings (product_name, embedding) VALUES
('product_A', VEC_FROMTEXT('[0.1, 0.2, 0.3, 0.4, 0.5]')),
('product_B', VEC_FROMTEXT('[0.6, 0.7, 0.8, 0.9, 1.0]')),
('product_C', VEC_FROMTEXT('[0.11, 0.22, 0.33, 0.44, 0.55]'));

Etapa 4: Executar uma busca por similaridade vetorial

-- Find the two products that are most similar to the given vector '[0.1, 0.2, 0.3, 0.4, 0.51]'
SELECT
  id,
  product_name,
  VEC_DISTANCE(embedding, VEC_FROMTEXT('[0.1, 0.2, 0.3, 0.4, 0.51]')) AS similarity_score
FROM
  product_embeddings
ORDER BY
  similarity_score ASC -- The smaller the cosine distance, the more similar the vectors are
LIMIT 2;