Vector Search Index
如 Vector Search 文档所述,向量搜索通过计算给定向量与数据库中存储的所有向量之间的距离,识别出前 K 个最近邻(KNN)。虽然这种方法可以提供准确的结果,但当表中包含大量向量时,速度可能较慢,因为涉及全表扫描。 1
为了提高搜索效率,你可以在 TiDB 中创建向量搜索索引,用于近似 KNN(ANN)搜索。当使用向量索引进行向量搜索时,TiDB 可以大大提升查询性能,误差仅有微小的降低,通常能保持在 90% 以上的搜索召回率。
目前,TiDB 支持 HNSW (Hierarchical Navigable Small World) 向量搜索索引算法。
限制
- 必须提前在集群中部署 TiFlash 节点。
- 向量搜索索引不能用作主键或唯一索引。
- 向量搜索索引只能在单个向量列上创建,不能与其他列(如整数或字符串)组合形成复合索引。
- 创建和使用向量搜索索引时,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搜索索引。
- 不支持直接删除带有向量搜索索引的列。可以先删除该列上的向量搜索索引,再删除列本身。
- 不支持修改带有向量索引的列的类型。
- 不支持将向量搜索索引设置为 invisible。
- 在启用 encryption at rest 的 TiFlash 节点上构建向量搜索索引不被支持。
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方面表现良好,在特定情况下最高可达 98%。
在 TiDB 中,你可以通过以下两种方式为具有 vector data type 的列创建 HNSW 索引:
在创建表时,使用以下语法指定向量列以建立 HNSW 索引:
CREATE TABLE foo ( id INT PRIMARY KEY, embedding VECTOR(5), VECTOR INDEX idx_embedding ((VEC_COSINE_DISTANCE(embedding))) );对已包含向量列的现有表,使用以下语法为该列创建 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" 来构建向量搜索索引。 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;
在创建 HNSW 向量索引时,需要指定向量的距离函数:
- 余弦距离:
((VEC_COSINE_DISTANCE(embedding)))
- L2 距离:
((VEC_L2_DISTANCE(embedding)))
索引只能用于固定维度的向量列,例如定义为 VECTOR(3)
的列。不能用于非固定维度的向量列(如定义为 VECTOR
),因为只能在相同维度的向量之间计算距离。
关于向量搜索索引的限制和注意事项,请参见 Restrictions。
使用向量索引
可以在 K 最近邻搜索查询中使用向量搜索索引,通过 ORDER BY ... LIMIT
子句实现,例如:
SELECT *
FROM foo
ORDER BY VEC_COSINE_DISTANCE(embedding, '[1, 2, 3, 4, 5]')
LIMIT 10
使用索引进行向量搜索时,确保 ORDER BY ... LIMIT
子句使用的距离函数与创建索引时指定的相同。
在过滤条件下使用向量索引
包含预过滤(使用 WHERE
子句)的查询无法利用向量索引,因为它们不是按照 SQL 语义进行 KNN 查询。例如:
-- 对于以下查询,`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;
要在过滤条件下使用向量索引,可以先用向量搜索查询出 K 最近邻,然后再过滤掉不需要的结果:
-- 对于以下查询,`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:如果过滤掉一些结果,最终返回的结果可能少于 5 条。
查看索引构建进度
在插入大量数据后,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,向量搜索索引会同步构建。对于尚未持久化的数据,索引会在数据持久化后进行构建。此过程不会影响数据的准确性和一致性,你仍然可以随时进行向量搜索并获得完整结果,但性能会在索引完全构建前不理想。
你可以通过查询 INFORMATION_SCHEMA.TIFLASH_INDEXES
表来查看索引构建进度,示例如下:
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 |
+---------------+------------+----------+-------------+---------------+-----------+----------+------------+---------------------+-------------------------+--------------------+------------------------+---------------+------------------+
你可以检查
ROWS_STABLE_INDEXED
和ROWS_STABLE_NOT_INDEXED
列以了解索引构建进度。当ROWS_STABLE_NOT_INDEXED
变为 0 时,索引构建完成。作为参考,索引一个 768 维、500 MiB 大小的向量数据集可能需要最多 20 分钟。索引器可以对多个表并行运行。目前不支持调整索引器的优先级或速度。
你可以检查
ROWS_DELTA_NOT_INDEXED
列,了解 Delta 层中的行数。TiFlash 的存储层数据分为 Delta 层和 Stable 层。Delta 层存储最近插入或更新的行,且会根据写入负载定期合并到 Stable 层,这一过程称为压缩(Compaction)。Delta 层始终不被索引。为了获得最佳性能,可以强制将 Delta 层合并到 Stable 层,使所有数据都能被索引:
ALTER TABLE <TABLE_NAME> COMPACT;更多信息请参见
ALTER TABLE ... COMPACT
。
此外,你还可以通过执行 ADMIN SHOW DDL JOBS;
并检查 row count
来监控 DDL 任务的执行进度,但此方法不完全准确,因为 row count
值来自 TIFLASH_INDEXES
中的 rows_stable_indexed
字段。你可以用此方法作为索引进度的参考。
查看是否使用向量索引
使用 EXPLAIN
或 EXPLAIN ANALYZE
语句检查查询是否使用了向量索引。当 operator info
列中的 annIndex:
出现,表示此表扫描利用了向量索引。
示例:使用了向量索引
[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(未指定前 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,某些情况下会出现警告,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
分析向量搜索性能
想了解向量索引的详细使用情况,可以执行 EXPLAIN ANALYZE
并查看输出中的 execution info
列,例如:
[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}},...} | |
+-----+--------------------------------------------------------+-----+
一些重要字段的说明:
vector_index.load.total
:加载索引的总时长。此字段可能大于实际查询时间,因为多个向量索引可能同时加载。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,之前已从 S3 下载。vector_index.load.from_cache
:从缓存加载的索引数量,之前已从 S3 下载。vector_index.search.total
:在索引中搜索的总时长。较大的延迟通常意味着索引冷(未访问过或很久未访问),在搜索时会有较重的 I/O 操作。此字段可能大于实际查询时间,因为多个向量索引可能同时搜索。vector_index.search.discarded_nodes
:在搜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搜索结果。数值较大通常表示存在大量陈旧行,可能由UPDATE
或DELETE
语句引起。
请参见 EXPLAIN
、EXPLAIN ANALYZE
和 EXPLAIN Walkthrough 来理解输出内容。
相关链接
- KNN 搜索的说明借鉴自由 rschu1ze 在 ClickHouse 文档中撰写的 Approximate Nearest Neighbor Search Indexes 文档,授权协议为 Apache License 2.0。↩