OpenSearch：規格計算機

使用規格計算機

在向量檢索版購買頁面，單擊規格計算機。

開啟OpenSearch向量檢索版規格計算機對話方塊，包含基礎情況、向量資料情況和查詢情況三個配置地區，填寫完成後單擊進行運算擷取推薦規格。

基礎情況

1. 執行個體所在地區：需要建立引擎的地區。

2. 是否有容災需求：是否需要容災，可下拉選擇有或無。

向量資料情況

1. 向量資料條數：寫入引擎的向量資料條數。

2. 向量維度：寫入引擎的向量維度。

3. 向量演算法：根據需求選擇，目前支援以下三種演算法。

• HNSW：基於圖的向量檢索演算法，召回率極高且效能好，記憶體及儲存佔用與 Linear 相當，在低維度和高維度向量資料集上均有很好的表現，適用於大多數向量檢索情境。

• QC：基於量化聚類的向量檢索演算法，召回結果正確率極高，佔用資源較少，效能較好。在低維度向量資料集上有更好表現，記憶體及儲存佔用一般只有 Linear 和 HNSW 的 1/4，適用於對召回率沒有嚴苛要求的巨量資料量檢索情境。

• Linear：線性檢索（暴力檢索），召回結果完全正確，但佔用資源多且效能較差，通常適用於小資料集（1 萬條資料量以內）的精確檢索。

查詢情況

1. 平均 QPS：接入引擎的流量 QPS。

2. 期望搜尋平均回應時間：期望的召回結果平均耗時，單位可選 s 或 ms。

填寫完成後，單擊進行運算。

推薦結果包括查詢節點規格類型系列、查詢節點數量、查詢節點規格、資料節點規格類型系列、資料節點數量、資料節點規格以及單資料節點儲存空間/磁碟空間等參數，根據推薦結果購買對應規格的資源。

HNSW Benchmark 資料

以下測試資料基於公開資料集，使用引擎版本 vector_service 1.5.9，採用 1 個查詢節點 + 1 個雲端硬碟型資料節點的配置組合。建圖參數：M = 100，ef-construction = 500。

資料節點記憶體水位與效能的關係

以下測試使用 Cohere 768D 資料集，搭配 4C16G 查詢節點 + 4C32G 雲端硬碟型資料節點，索引結構為 HNSW（InnerProduct，ef-construction = 500，M = 100）。通過分步插入資料（每次 1M 條）觀察記憶體水位對 QPS 的影響。

典型配置會將向量索引、PK 索引和倒排索引以 mlock 方式鎖定在實體記憶體中，以獲得最低的檢索延遲。其他資料（attribute、summary 等）不做 mlock，依賴 OS page cache 按需載入。當記憶體水位上升，page cache 被壓縮，讀取 attribute 時頻繁觸發缺頁中斷，導致延遲上升：

• 水位 > 70%：QPS 急劇下降。

• 水位 > 80%：服務近乎不可用。

IVF_SQ8 Benchmark 資料

以下測試使用 Cohere 768D 10M 資料集，搭配 4C16G 查詢節點 + 4C32G 雲端硬碟型資料節點。

建圖參數：

{
  "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
}

串列測試：召回率和延遲

並發效能測試：分步插入

將 10M 條 768 維向量資料分步插入執行個體，觀察不同資料量對應的索引大小和查詢 QPS 的變化。