本文为您介绍在Hologres中如何使用向量计算功能。

背景信息

Proxima是一款来自于阿里达摩院的实现向量近邻搜索的高性能软件库，相比于Faiss等开源的同类产品，Proxima在稳定性、性能等方面都要更为出色，能够提供业内性能和效果领先的基础方法模块，支持图像、视频、人脸等各种应用场景。Hologres向量查询功能与Proxima深度整合，提供高性能的向量查询服务。

Proxima简介

  • 名词解释
    • 特征向量：向量是一种将实体和应用代数化的一种表示，其将实体间的关系抽象成向量空间中的距离，而距离的远近代表着相似程度。例如：身高、年龄、性别、地域。
    • 向量检索：在特征向量数据集合中进行快速搜索和匹配的方法，常涉及到的问题有KNN和RNN。
    • KNN（K-Nearest Neighbor）：查找离查询点最近的 K 个点。
    • RNN（Radius Nearest Neighbor）：查找离查询点某半径范围内的所有点。
  • Proxima的基本模型
    分为索引构建和在线检索两部分：
    • 索引构建：索引构建从原始向量数据中构建出相关索引文件，并传予在线检索模块加载使用。支持Brute Force、KD-Tree、Product Quantization、KNN Graph、LSH 等。
    • 在线检索：在线检索加载完索引文件后，为向量检索提供查询服务。在聚类后的数据集上进行KNN和RNN搜索，用户设定检索过程中的参数。
  • Proxima与Hologres概念对照
    Proxima概念Hologres中的概念
    特征向量数组类型Array，仅支持固定长度数组
    向量索引一种特殊类型的Index，当前仅支持KNN/RNN的Graph索引
    距离计算
    • 一种类型的UDF: proxima_distance()
    • 每种距离计算对应一个UDF
    KNN查询order by distance(x, [x1, x2]) asc limit k
    RNN查询where distance(x, [x1,x2]) < r
    说明 当前RNN查询不支持Proxima索引。

使用Proxima进行向量计算

Hologres中使用Proxima进行向量计算的操作步骤如下：

  1. 连接Hologres。
    通过开发工具连接Hologres，详情请参见连接开发工具。如果是JDBC连接，请使用Prepare Statement模式。
  2. 安装Proxima插件。
    Proxima是以一个extension的方式与Hologres连通，因此在使用之前需要Superuser执行如下命令安装Proxima插件。
    --安装extension
create extension proxima;
    Proxima插件是针对数据库级别使用的，一个数据库仅需要安装一次即可。
    说明 如需卸载extension请执行如下命令。
    DROP EXTENSION proxima;
  3. 创建向量表。
    向量在Hologres中一般用FLOAT4数组表示，创建向量表的语法如下。
    说明 仅列存表支持向量索引。
    begin;
create table feature_tb (
    id bigint,
    <feature_col> float4[] check(array_ndims(<feature_col>) = <value> and 
array_length(feature_col, 1) = <value>) --定义向量
);
-- 构建向量索引
call set_table_property('feature_tb', 'proxima_vectors', '{"<feature_col>":
{"algorithm":"<value>","distance_method":"<value>"}}');  
commit;
    参数说明如下。
    分类参数描述示例
    向量基本属性feature_col向量列名称。feature。
    array_ndims向量的维度。构建一维且长度为4的向量示例如下。
    feature float4[] check(array_ndims(feature) = 1 and array_length(feature, 1) = 4)
    array_length向量的长度。
    向量索引proxima_vectors代表构建向量索引，其中：
    • algorithm：用于指定构建向量索引的算法，目前仅支持Graph。
    • distance_method：用于定义构建向量索引使用的距离计算方法，目前支持三种距离计算函数：
      • （推荐使用）SquaredEuclidean：平方欧式距离， 查询效率最高。适合查询时使用pm_approx_squared_euclidean_distance。
      • Euclidean：开方的欧式距离，仅适合查询时使用pm_approx_euclidean_distance，如果使用其他距离函数会利用不上索引。
      • InnerProduct（避免使用）：内积距离，会在底层转换为开方的欧式距离的计算，所以构建索引和查询索引都会多一层计算开销，比较低效，尽量避免使用，除非业务有强需求。仅适合查询时使用pm_approx_inner_product_distance。
    • min_flush_proxima_row_count：用于控制开始构建向量索引的数量，默认为20000，一般场景无需修改。
    说明 索引需要在一定的场景下使用才能发挥更好的作用。
    		--使用平方欧式距离查询，构建对应的向量索引示例如下。
    call set_table_property('feature_tb', 'proxima_vectors', 
'{"feature":{"algorithm":"Graph",
"distance_method":"SquaredEuclidean",
"builder_params":{"min_flush_proxima_row_count" : 20000}
}}');
  4. 向量导入。
    可以通过离线或者实时的方式将数据导入至向量表，可以根据业务需求选择合适的同步方式。但需要注意的是，在批量导入后，执行VACUUM和Analyze命令以提升查询效率。
    • VACUUM会让后端的文件compaction成更大的文件，对查询更高效。 但是VACUUM需要耗费一定的CPU资源，表的数据量越大，执行VACUUM的时间越久，当VACUMM还在执行中时，请耐心等待执行结果。
      VACUUM <tablename>;
    • Analyze是收集统计信息， 用于优化器QO（Query Optimizer）生成较优的执行计划，提高查询性能。
      analyze <tablename>;
  5. 向量查询。
    Hologres支持精确和近似向量查询，其中以pm_开头的UDF都为精准查询，以pm_approx_开头的UDF都为近似查询。
    重要 对于构建向量索引的场景，只能使用pm_approx_开头的UDF近似查询才能命中向量索引。
    使用如下的方式查询Top N，近似查询中的第二个参数必须是常量值。
    -- 计算内积的TOPK，此时建表里面的proxima_vector参数的distance_method需要为SquaredEuclidean
select pm_approx_squared_euclidean_distance(feature, '{0.1,0.2,0.3,0.4}') as distance from feature_tb order by distance asc limit 10 ;

-- 计算内积的TOPK，此时建表里面的proxima_vector参数的distance_method需要为Euclidean
select pm_approx_euclidean_distance(feature, '{0.1,0.2,0.3,0.4}') as distance from feature_tb order by distance asc limit 10 ;

-- 计算内积的TOPK，此时建表里面的proxima_vector参数的distance_method需要为InnerProduct
select pm_approx_inner_product_distance(feature, '{0.1,0.2,0.3,0.4}') as distance from feature_tb order by distance desc limit 10 ;

向量计算UDF列表

Hologres当前版本支持的向量计算UDF如下。

  • 精准查询
    float4 pm_squared_euclidean_distance(float4[], float4[])
float4 pm_euclidean_distance(float4[], float4[])
float4 pm_inner_product_distance(float4[], float4[])
  • 近似查询
    float4 pm_approx_squared_euclidean_distance(float4[], float4[])
float4 pm_approx_euclidean_distance(float4[], float4[])
float4 pm_approx_inner_product_distance(float4[], float4[])

完整使用示例

使用Proxima进行向量计算的示例语句如下。
create extension proxima;

begin;
create table feature_tb (
    id bigint,
    feature float4[] check(array_ndims(feature) = 1 and array_length(feature, 1) = 4)
);
call set_table_property('feature_tb', 'proxima_vectors', '{"feature":{"algorithm":"Graph","distance_method":"SquaredEuclidean","builder_params":
{"min_flush_proxima_row_count" : 20000}}}');
end;

insert into feature_tb select i, array[random(), random(), random(), random()]::float4[] from generate_series(1, 10000) i;

analyze feature_tb;

select pm_approx_squared_euclidean_distance(feature, '{0.1,0.2,0.3,0.4}') as distance from feature_tb order by distance desc limit 10 ;

性能调优

  • 设置向量索引的场景
    数据量较小，比如几万条数据情况下，建议不设置索引直接计算即可。 或者实例资源较多的情况下但查询的数据量较少，也可以直接计算。 当直接计算满足不了需求（如延迟、吞吐等要求）时，可以考虑使用Proxima索引， 原因如下。
    • Proxima本身是有损索引，不保证结果的准确性，即计算出来的距离可能是有偏差的。
    • Proxima索引有可能导致召回的条数不足，如limit 1000情况下，只返回了500条。
    • Proxima索引使用有一定难度。
  • 设置合适的Shard Count

    Shard Count越多， 实际构建Proxima索引的文件就越多， 查询吞吐就越差。所以在实际使用中，根据实例资源建议设置合理的Shard Count，最极致的场景是设置Shard Count为1，查询性能最好。但是Shard Count数越少，写入性能将会越差，在实际业务中建议综合评估。

    经验证明Proxima查询使用的计算资源与Shard Count成正比，但是如果没有设置Proxima索引，即为暴力计算，不建议修改Shard Count。

    --创建向量表，并放于shard count为1的table group中
begin;
create table prixima_test (
group_id text not null,
user_id text not null,
model_version text not null,
feature float4[] check(array_ndims(feature) = 1 and array_length(feature, 1) = 4),    primary key(group_id,user_id,model_version));
call set_table_property('prixima_test', 'proxima_vectors', '{"feature":{"algorithm":"Graph","distance_method":"SquaredEuclidean"}}');
call set_table_property('prixima_test', 'shard_count', '1');
end;
  • （推荐）不带过滤条件的查询场景

    在有where过滤条件的情况下，会影响索引使用，性能可能更差，所以推荐不带过滤条件的查询场景。对于不带过滤条件的向量检索，最极致的状态就是一个Shard上只有一个向量索引文件，这样查询就能直接落在一个Shard上。

    因此对于不带过滤条件的查询场景通常建表如下。
    begin;
CREATE TABLE feature_tb(
    uuid text,
    feature FLOAT4[] not null CHECK (array_ndims(feature)=1 and array_length(feature,1)= N)--定义向量
) ;
call set_table_property('feature_tb', 'shard_count', '?');--指定shard count，根据业务情况合理设置，若有可以不设置
call set_table_property('feature_tb', 'proxima_vectors', '{"feature":{"algorithm":"Graph","distance_method":"InnerProduct"}');--构建向量索引
end;
  • 带过滤条件的查询场景
    对于带过滤条件的向量检索，情况细分为如下常见的过滤场景。
    • 查询场景1：字符串列为过滤条件
      示例查询如下，常见的场景为在某个组织内查找对应的向量数据，例如查找班级内的人脸数据。
      select pm_xx_distance(feature, '{1,2,3,4}') as d from feature_tb where uuid = 'x' order by d limit 10;
      建议进行如下优化。
      • 将uuid设置为Distribution Key，这样相同的过滤数据会保存在同一个Shard，查询时一次查询只会落到一个Shard上。
      • 将uuid设置为表的Clustering Key，数据将会在文件内根据Clustering Key排序。
    • 查询场景2：时间字段为过滤条件
      示例查询如下，一般是根据时间字段过滤出对应的向量数据。建议将时间字段time_field设置为表的segment_key，可以快速的定位到数据所在的文件。
      select pm_xx_distance(feature, '{1,2,3,4}') as d from feature_tb where time_field between '2020-08-30 00:00:00' and '2020-08-30 12:00:00' order by d limit 10;
    因此对于带过滤条件的向量检索而言，其建表语句通常如下。
    begin;
CREATE TABLE feature_tb(
time_field timestamptz,
uuid text,
feature FLOAT4[] not null CHECK (array_ndims(feature)=1 and array_length(feature,1)= N)
) ;

call set_table_property('feature_tb', 'distribution_key', 'uuid');
call set_table_property('feature_tb', 'segment_key', 'time_field');
call set_table_property('feature_tb', 'clusering_key', 'uuid');
call set_table_property('feature_tb', 'proxima_vectors', '{"feature":{"algorithm":"Graph","distance_method":"InnerProduct"}}');
end;
-- 如果没有按照时间过滤的话，则time_field相关的索引可以删除。

常见问题

  • 报错ERROR: function pm_approx_inner_product_distance(real[], unknown) does not exist。

    原因：通常是因为未在数据库中执行create extension proxima;语句来初始化Proxima插件。

    解决方法：执行create extension proxima;语句初始化Proxima插件。

  • 报错Writing column: feature with array size: 5 violates fixed size list (4) constraint declared in schema。

    原因：由于写入到特征向量列的数据维度与表中定义的维度数不一致，导致出现该报错。

    解决方法：可以排查下是否有脏数据。

  • 报错The size of two array must be the same in DistanceFunction, size of left array: 4, size of right array:。

    原因：由于pm_xx_distance(left, right)中，left的维度与right的维度不一致所致。

    调整pm_xx_distance(left, right)中，left的维度与right的维度一致。

  • 实时写入报错BackPresure Exceed Reject Limit ctxId: XXXXXXXX, tableId: YY, shardId: ZZ。

    原因：实时写入作业遇到了瓶颈，产生了反压的异常，说明写入作业开销大，写入慢，通常是由于min_flush_proxima_row_count较小，而实时写入速度较大，造成写入作业实时构建索引开销大，阻塞了实时写入。

    调整min_flush_proxima_row_count到更大值。

  • 如何通过Java写入向量？
    通过Java写入向量的示例如下。
    private static void insertIntoVector(Connection conn) throws Exception {
    try (PreparedStatement stmt = conn.prepareStatement("insert into feature_tb values(?,?);")) {
        for (int i = 0; i < 100; ++i) {
           stmt.setInt(1, i);
           Float[] featureVector = {0.1f,0.2f,0.3f,0.4f};
           Array array = conn.createArrayOf("FLOAT4", featureVector);
           stmt.setArray(2, array);
           stmt.execute();
        }
    }
}
  • 如何通过执行计划检查是否利用上Proxima索引？
    如果执行计划中存在Proxima filter: xxxx表明使用了索引，如下图所示；如果没有，则索引没有使用上，一般是建表语句与查询语句不匹配。检查是否利用proxima索引

距离函数说明

Hologres支持的三种向量距离评估函数如下：

  • 不开方的欧式距离，计算公式如下。不开方的欧式距离
  • 开方的欧氏距离，计算公式如下。开方的欧氏距离
  • 内积距离，计算公式如下。内积距离
说明 如果您选用欧式距离进行向量计算，不开方的欧式距离与开方的欧式距离相比，可以少一个开方的计算，并且计算出的Top K记录一致。因此，不开方的欧式距离性能更好，在满足功能需求的情况下，一般建议您使用不开方的欧式距离。