全部產品
Search

搜尋本產品

    ApsaraDB RDS：向量儲存

    文件中心

    ApsaraDB RDS：向量儲存

    更新時間：Dec 02, 2025

    RDS MySQL深度整合企業級向量資料處理能力，原生支援最高16,383維向量資料的儲存及計算，整合主流向量運算函數，並基於深度最佳化的HNSW（Hierarchical Navigable Small World）演算法構建高效近鄰搜尋能力，支援對全維度向量列建立索引。

    功能說明

    RDS MySQL原生支援包括向量儲存、相似性計算及高效能索引構建在內的向量資料處理能力。可為大規模語義檢索、智能推薦、多模態分析等情境提供開箱即用的向量化解決方案。使用者可通過標準SQL介面無縫實現高精度向量匹配與複雜商務邏輯的融合計算，助力企業以低成本、高相容性架構快速落地AI創新應用。

    • 高維向量的高效存取與計算：支援最高 16,383 維度浮點型向量資料存放區，並引入 VECTOR 資料類型。相容標準SQL操作介面，可直接實現向量化資料的寫入、更新及批量管理。支援的主流向量處理函數如下：

      函數名

      說明

      VECTOR_DIM

      擷取向量維度

      VEC_FROMTEXT

      字串轉向量

      TO_VECTOR

      STRING_TO_VECTOR

      VEC_TOTEXT

      向量轉字串

      FROM_VECTOR

      VECTOR_TO_STRING

      VEC_DISTANCE

      計算兩向量間的距離（若參數之一是索引列，可自動識別索引的距離類型）

      VEC_DISTANCE_EUCLIDEAN

      VEC_DISTANCE_COSINE

    • 高效能向量索引：基於深度最佳化的HNSW (Hierarchical Navigable Small World) 演算法構建向量索引，通過SIMD硬體加速、布隆過濾器搜尋剪枝、LIMIT條件下推等技術，顯著提升大規模向量資料的檢索效率。同時支援向量資料與標量資料的混合儲存與聯集查詢。

    • 開源生態，開箱即用：完全相容MySQL協議，支援JDBC/ORM工具及主流開發架構。整合阿里雲DTS、DMS等服務，提供資料同步、管理、備份恢複等全生命週期能力。支援存量執行個體一鍵升級，無需建立叢集。

    適用範圍

    • 資料庫版本： MySQL 8.0。

    • 核心小版本：20251031 或以上。當版本不符合要求時，可以升級升級核心小版本或資料庫大版本。

    • 使用該功能時有以下限制：

      • 僅支援在InnoDB引擎表上建立向量索引。

      • 表主鍵長度不能超過256位元組。

      • 建立、修改、刪除向量索引無法使用inplace文法。

      • 向量索引不能被設定為INVISIBLE。

      • 包含向量索引的表不支援Recycle Bin功能。

      • 向量索引的資料修改和查詢只支援RC (Read Committed) 隔離等級。

      • 由於HNSW演算法的隨機性，包括 level 的隨機、啟發學習法演算法等，無法保證主備的向量索引的圖結構完全一致。

      • 在來源資料庫中的預存程序、函數中使用vector類型，會導致同步或遷移到不支援向量的目標資料庫失敗。

    參數管理

    參數說明

    參數名稱

    說明

    vidx_default_distance

    • 描述：預設向量距離類型。
    • 參數範圍：Session。
    • 資料類型：String。
    • 預設值：EUCLIDEAN。
    • 取值範圍：



    • EUCLIDEAN-歐氏距離，計算兩個向量在多維空間中的直線距離（幾何距離）。

    • COSINE-餘弦距離，計算兩個向量之間的夾角餘弦值，衡量方向相似性（忽略向量長度）

    vidx_hnsw_default_m

    • 描述：HNSW索引的預設m值（圖中每個節點的最大出邊數）。
    • 參數範圍：Session。
    • 資料類型：Integer。
    • 預設值：6。
    • 取值範圍：[3, 200]。



    vidx_hnsw_ef_search

    • 描述：HNSW索引查詢時的預設ef_search值（搜尋範圍）。
    • 參數範圍：Session。
    • 資料類型：Integer。
    • 預設值：20。
    • 取值範圍：[1, 10000]。



    vidx_hnsw_cache_size

    • 描述：HNSW索引緩衝可使用的最大記憶體（單位：位元組）。
    • 參數範圍：Global。
    • 資料類型：BigInt。
    • 預設值：1048576。
    • 取值範圍：[1048576, 18446744073709551615]。



    修改參數

    1. 訪問RDS執行個體列表，在上方選擇地區，然後單擊目標執行個體ID。

    2. 在左側導覽列中單擊參數設定。

    3. 在可修改參數頁簽內搜尋待修改參數，並配置參數值。

    4. 單擊確定，然後單擊提交參數，並在彈出的視窗中選擇生效的時間段。

    說明

    所有向量相關參數均為動態參數，修改後無需重啟執行個體即可生效。

    開啟功能與使用

    說明

    開啟/關閉向量功能無需重啟執行個體。

    第一步：開啟向量支援

    1. 訪問 RDS管理主控台，選擇目標地區並單擊執行個體ID。

    2. 在基本資料頁的運行狀態地區，找到向量儲存，單擊其右側的開啟。

    3. 狀態變為已開啟後，功能即刻生效。

    第二步：建立表和向量索引

    -- 建立一個包含5維向量列和HNSW索引的表
CREATE TABLE product_embeddings (
  id INT NOT NULL AUTO_INCREMENT PRIMARY KEY,
  product_name VARCHAR(255),
  embedding VECTOR(5) NOT NULL,
  -- 建立向量索引，並指定M值和距離計算方式
  VECTOR INDEX idx_embedding(embedding) M=16 DISTANCE=COSINE
);

    第三步：插入資料

    -- 使用VEC_FROMTEXT函數插入向量資料
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]'));

    第四步：進行向量相似性查詢

    -- 尋找與給定向量 '[0.1, 0.2, 0.3, 0.4, 0.51]' 最相似的2個商品
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 -- COSINE距離越小越相似
LIMIT 2;