📣
TiDB Cloud Essential 开放公测中。此页面由 AI 自动翻译，英文原文请见此处。
TiDB Cloud
TiDB
社区
联系我们

向量检索索引

如 向量检索 文档所述，向量检索通过计算给定向量与数据库中所有向量之间的距离，找出 Top K-最近邻（KNN）。这种方式能够提供准确的结果，但当表中包含大量向量时，由于需要全表扫描，查询速度会很慢。1

为了提升检索效率，你可以在 TiDB 中为近似 KNN（ANN）检索创建向量检索索引。使用向量索引进行向量检索时，TiDB 可以大幅提升查询性能，仅以极小的准确率损失为代价，通常能保持 90% 以上的检索召回率。

目前，TiDB 支持 HNSW（Hierarchical Navigable Small World） 向量检索索引算法。

限制

  • 集群中必须提前部署 TiFlash 节点。
  • 向量检索索引不能作为主键或唯一索引使用。
  • 向量检索索引只能创建在单个向量列上，不能与其他列（如整数或字符串）组合为复合索引。
  • 创建和使用向量检索索引时，必须指定距离函数。目前仅支持余弦距离 VEC_COSINE_DISTANCE() 和 L2 距离 VEC_L2_DISTANCE()。
  • 对于同一列，不支持使用相同距离函数创建多个向量检索索引。
  • 不支持直接删除带有向量检索索引的列。你可以先删除该列上的向量检索索引，再删除该列。
  • 不支持修改带有向量索引的列的数据类型。
  • 不支持将向量检索索引设置为 不可见。
  • 不支持在启用静态加密的 TiFlash 节点上构建向量检索索引。

创建 HNSW 向量索引

HNSW 是最流行的向量索引算法之一。HNSW 索引在性能和准确率之间有很好的平衡，在特定场景下准确率可达 98%。

在 TiDB 中，你可以通过以下任一方式为具有 向量数据类型 的列创建 HNSW 索引：

  • 创建表时，使用如下语法为向量列指定 HNSW 索引：

    CREATE TABLE foo (
    id       INT PRIMARY KEY,
    embedding     VECTOR(5),
    VECTOR INDEX idx_embedding ((VEC_COSINE_DISTANCE(embedding)))
);

  • 对于已存在且包含向量列的表，使用如下语法为该向量列创建 HNSW 索引：

    CREATE VECTOR INDEX idx_embedding ON foo ((VEC_COSINE_DISTANCE(embedding)));
ALTER TABLE foo ADD VECTOR INDEX idx_embedding ((VEC_COSINE_DISTANCE(embedding)));

-- 你也可以显式指定 "USING HNSW" 来构建向量检索索引。
CREATE VECTOR INDEX idx_embedding ON foo ((VEC_COSINE_DISTANCE(embedding))) USING HNSW;
ALTER TABLE foo ADD VECTOR INDEX idx_embedding ((VEC_COSINE_DISTANCE(embedding))) USING HNSW;

创建 HNSW 向量索引时，需要为向量指定距离函数：

  • 余弦距离：((VEC_COSINE_DISTANCE(embedding)))
  • L2 距离：((VEC_L2_DISTANCE(embedding)))

向量索引只能创建在定长向量列上，例如定义为 VECTOR(3) 的列。不能为非定长向量列（如定义为 VECTOR 的列）创建索引，因为只有相同维度的向量之间才能计算距离。

关于向量检索索引的限制，参见 限制。

使用向量索引

在 K-最近邻检索查询中，可以通过如下 ORDER BY ... LIMIT 语句使用向量检索索引：

SELECT *
FROM foo
ORDER BY VEC_COSINE_DISTANCE(embedding, '[1, 2, 3, 4, 5]')
LIMIT 10

要在向量检索中使用索引，确保 ORDER BY ... LIMIT 子句使用的距离函数与创建向量索引时指定的距离函数一致。

向量索引与过滤条件的配合使用

包含预过滤（使用 WHERE 子句）的查询无法利用向量索引，因为根据 SQL 语义，这类查询并不是在查找 K-最近邻。例如：

-- 对于如下查询，`WHERE` 过滤在 KNN 之前执行，因此无法使用向量索引：

SELECT * FROM vec_table
WHERE category = "document"
ORDER BY VEC_COSINE_DISTANCE(embedding, '[1, 2, 3]')
LIMIT 5;

要在带有过滤条件的场景下使用向量索引，可以先通过向量检索查找 K-最近邻，再进行结果过滤：

-- 对于如下查询，`WHERE` 过滤在 KNN 之后执行，因此无法使用向量索引：

SELECT * FROM
(
  SELECT * FROM vec_table
  ORDER BY VEC_COSINE_DISTANCE(embedding, '[1, 2, 3]')
  LIMIT 5
) t
WHERE category = "document";

-- 注意，如果部分结果被过滤，最终返回的结果可能少于 5 条。

查看索引构建进度

在你插入大量数据后，部分数据可能不会立即持久化到 TiFlash。对于已持久化的向量数据，向量检索索引会同步构建。对于尚未持久化的数据，索引会在数据持久化后再构建。该过程不会影响数据的准确性和一致性，你可以随时进行向量检索并获得完整结果。但在向量索引完全构建前，性能会较差。

你可以通过查询 INFORMATION_SCHEMA.TIFLASH_INDEXES 表来查看索引构建进度：

SELECT * FROM INFORMATION_SCHEMA.TIFLASH_INDEXES;
+---------------+------------+----------+-------------+---------------+-----------+----------+------------+---------------------+-------------------------+--------------------+------------------------+---------------+------------------+
| TIDB_DATABASE | TIDB_TABLE | TABLE_ID | COLUMN_NAME | INDEX_NAME    | COLUMN_ID | INDEX_ID | INDEX_KIND | ROWS_STABLE_INDEXED | ROWS_STABLE_NOT_INDEXED | ROWS_DELTA_INDEXED | ROWS_DELTA_NOT_INDEXED | ERROR_MESSAGE | TIFLASH_INSTANCE |
+---------------+------------+----------+-------------+---------------+-----------+----------+------------+---------------------+-------------------------+--------------------+------------------------+---------------+------------------+
| test          | tcff1d827  |      219 | col1fff     | 0a452311      |         7 |        1 | HNSW       |               29646 |                       0 |                  0 |                      0 |               | 127.0.0.1:3930   |
| test          | foo        |      717 | embedding   | idx_embedding |         2 |        1 | HNSW       |                   0 |                       0 |                  0 |                      3 |               | 127.0.0.1:3930   |
+---------------+------------+----------+-------------+---------------+-----------+----------+------------+---------------------+-------------------------+--------------------+------------------------+---------------+------------------+

  • 你可以通过 ROWS_STABLE_INDEXED 和 ROWS_STABLE_NOT_INDEXED 列查看索引构建进度。当 ROWS_STABLE_NOT_INDEXED 为 0 时，索引构建完成。

    作为参考，索引一个 500 MiB、768 维的向量数据集可能需要 20 分钟。索引器可以并行为多个表构建索引。目前不支持调整索引器优先级或速度。

  • 你可以通过 ROWS_DELTA_NOT_INDEXED 列查看 Delta 层中的行数。TiFlash 的存储层分为 Delta 层和 Stable 层。Delta 层存储最近插入或更新的行，并会根据写入负载定期合并到 Stable 层。该合并过程称为 Compaction。

    Delta 层始终不会被索引。为获得最佳性能，你可以强制将 Delta 层合并到 Stable 层，从而使所有数据都能被索引：

    ALTER TABLE <TABLE_NAME> COMPACT;

    更多信息，参见 ALTER TABLE ... COMPACT。

此外，你还可以通过执行 ADMIN SHOW DDL JOBS; 并查看 row count 字段来监控 DDL 任务的执行进度。但该方法并不完全准确，因为 row count 的值来自 TIFLASH_INDEXES 表中的 rows_stable_indexed 字段。你可以将此方法作为索引进度的参考。

检查是否使用了向量索引

可以使用 EXPLAIN 或 EXPLAIN ANALYZE 语句检查查询是否使用了向量索引。当 TableFullScan 执行器的 operator info 列中出现 annIndex: 时，表示该表扫描正在利用向量索引。

示例：已使用向量索引

[tidb]> EXPLAIN SELECT * FROM vector_table_with_index
ORDER BY VEC_COSINE_DISTANCE(embedding, '[1, 2, 3]')
LIMIT 10;
+-----+-------------------------------------------------------------------------------------+
| ... | operator info                                                                       |
+-----+-------------------------------------------------------------------------------------+
| ... | ...                                                                                 |
| ... | Column#5, offset:0, count:10                                                        |
| ... | ..., vec_cosine_distance(test.vector_table_with_index.embedding, [1,2,3])->Column#5 |
| ... | MppVersion: 1, data:ExchangeSender_16                                               |
| ... | ExchangeType: PassThrough                                                           |
| ... | ...                                                                                 |
| ... | Column#4, offset:0, count:10                                                        |
| ... | ..., vec_cosine_distance(test.vector_table_with_index.embedding, [1,2,3])->Column#4 |
| ... | annIndex:COSINE(test.vector_table_with_index.embedding..[1,2,3], limit:10), ...     |
+-----+-------------------------------------------------------------------------------------+
9 rows in set (0.01 sec)

示例：未使用向量索引（未指定 Top K）

[tidb]> EXPLAIN SELECT * FROM vector_table_with_index
     -> ORDER BY VEC_COSINE_DISTANCE(embedding, '[1, 2, 3]');
+--------------------------------+-----+--------------------------------------------------+
| id                             | ... | operator info                                    |
+--------------------------------+-----+--------------------------------------------------+
| Projection_15                  | ... | ...                                              |
| └─Sort_4                       | ... | Column#4                                         |
|   └─Projection_16              | ... | ..., vec_cosine_distance(..., [1,2,3])->Column#4 |
|     └─TableReader_14           | ... | MppVersion: 1, data:ExchangeSender_13            |
|       └─ExchangeSender_13      | ... | ExchangeType: PassThrough                        |
|         └─TableFullScan_12     | ... | keep order:false, stats:pseudo                   |
+--------------------------------+-----+--------------------------------------------------+
6 rows in set, 1 warning (0.01 sec)

当无法使用向量索引时，部分场景下会出现警告，帮助你了解原因：

-- 使用了错误的距离函数：
[tidb]> EXPLAIN SELECT * FROM vector_table_with_index
ORDER BY VEC_L2_DISTANCE(embedding, '[1, 2, 3]')
LIMIT 10;

[tidb]> SHOW WARNINGS;
ANN index not used: not ordering by COSINE distance

-- 使用了错误的排序方式：
[tidb]> EXPLAIN SELECT * FROM vector_table_with_index
ORDER BY VEC_COSINE_DISTANCE(embedding, '[1, 2, 3]') DESC
LIMIT 10;

[tidb]> SHOW WARNINGS;
ANN index not used: index can be used only when ordering by vec_cosine_distance() in ASC order

分析向量检索性能

要了解向量索引的详细使用信息，可以执行 EXPLAIN ANALYZE 语句，并查看输出中的 execution info 列：

[tidb]> EXPLAIN ANALYZE SELECT * FROM vector_table_with_index
ORDER BY VEC_COSINE_DISTANCE(embedding, '[1, 2, 3]')
LIMIT 10;
+-----+--------------------------------------------------------+-----+
|     | execution info                                         |     |
+-----+--------------------------------------------------------+-----+
| ... | time:339.1ms, loops:2, RU:0.000000, Concurrency:OFF    | ... |
| ... | time:339ms, loops:2                                    | ... |
| ... | time:339ms, loops:3, Concurrency:OFF                   | ... |
| ... | time:339ms, loops:3, cop_task: {...}                   | ... |
| ... | tiflash_task:{time:327.5ms, loops:1, threads:4}        | ... |
| ... | tiflash_task:{time:327.5ms, loops:1, threads:4}        | ... |
| ... | tiflash_task:{time:327.5ms, loops:1, threads:4}        | ... |
| ... | tiflash_task:{time:327.5ms, loops:1, threads:4}        | ... |
| ... | tiflash_task:{...}, vector_idx:{                       | ... |
|     |   load:{total:68ms,from_s3:1,from_disk:0,from_cache:0},|     |
|     |   search:{total:0ms,visited_nodes:2,discarded_nodes:0},|     |
|     |   read:{vec_total:0ms,others_total:0ms}},...}          |     |
+-----+--------------------------------------------------------+-----+

部分重要字段说明：

  • vector_index.load.total：索引加载总耗时。该字段可能大于实际查询耗时，因为可能有多个向量索引并行加载。
  • vector_index.load.from_s3：从 S3 加载的索引数量。
  • vector_index.load.from_disk：从磁盘加载的索引数量。该索引此前已从 S3 下载到本地磁盘。
  • vector_index.load.from_cache：从缓存加载的索引数量。该索引此前已从 S3 下载到本地缓存。
  • vector_index.search.total：索引内检索总耗时。较大的延迟通常意味着索引为冷数据（从未访问或长时间未访问），导致检索时有大量 I/O 操作。该字段可能大于实际查询耗时，因为可能有多个向量索引并行检索。
  • vector_index.search.discarded_nodes：检索过程中访问但被丢弃的向量行数。这些被丢弃的向量不会计入检索结果。较大的值通常表示由于 UPDATE 或 DELETE 语句导致存在大量过期行。

关于输出的解读，参见 EXPLAIN、EXPLAIN ANALYZE 及 EXPLAIN Walkthrough。

参见

  1. KNN 检索的解释改编自 ClickHouse 文档中由 rschu1ze 撰写的 Approximate Nearest Neighbor Search Indexes 文档，遵循 Apache License 2.0 许可协议。↩

文档内容是否有帮助？

文档反馈社区交流