传统关系型数据库

传统关系型数据库和向量数据库各具特色，适用于不同的数据管理和查询需求。传统关系型数据库以其结构化的数据模型而著称。采用表格的形式来组织和存储数据，每个表格由行和列组成，用以表示实体和属性之间的关系相似的结果。这种高效的相似性搜索功能使得向量数据库在处理大规模向量数据时具有显著优势。在应用场景上，两者也各有侧重。关系型数据库广泛应用于传统的企业应用和数据管理领域，如电子商务、金融系统、人力资源。这种结构化的存储方式使得关系型数据库在处理结构化数据时表现出色。为了确保数据的准确性和一致性，关系型数据库需要预先定义表的结构和字段类型，这种强类型的数据定义方式有助于维护数据的完整性和可靠性。与此相似性搜索。这种特性使得向量数据库在处理图像识别、自然语言处理等涉及大规模向量数据的场景中表现卓越。在数据存储和查询方面，关系型数据库和向量数据库也存在显著差异。关系型数据库通过SQL语言进行数据的增删管理等。这些场景通常涉及复杂的数据关系和事务处理需求，关系型数据库能够很好地满足这些需求。而向量数据库则更多地应用于需要高效存储和查询大规模向量数据的场景，如图像识别、自然语言处理、推荐系统等。在这些场景

非关系型数据库是一种不同于传统关系型数据库的数据存储系统。它不遵循传统的关系模型，而是采用更加灵活的数据模型来存储和管理数据。这种灵活性使得非关系型数据库能够更好地应对大规模数据、高并发访问以及复杂存储，通常是类似JSON或XML格式的文本。每个文档都有一个唯一的标识符，并且可以包含不同的字段和数据类型。列族模型：数据存储在列族中，列族是一组相关列的集合。它类似于关系型数据库中的表，但列的定义更加灵活，可以根据需要动态添加或删除列。图形模型：用于存储和处理图形结构的数据，其中节点（Node）代表实体，边（Edge）代表实体之间的关系。特点与优势高可扩展性：非关系型数据库能够轻松地通过添加更多关系型数据库那样需要预先定义严格的表结构，非关系型数据库允许在存储过程中灵活地添加、修改或删除数据的结构。高性能：在处理大量读写操作时，尤其是对于简单的查询和数据访问场景，非关系型数据库通常能够提供更快的响应速度。这是因为它们的存储和查询机制相对简单，没有复杂的关系型数据库中的连接操作等。适合大数据和实时应用：对于处理海量的半结构化或非结构化数据，如日志数据、传感器数据、流媒体数据等非常有效。而且

关系型数据库是指以表格的形式存储数据，使用SQL查询语言进行操作的一种数据存储方式。关系型数据库的出现主要是为了解决传统的文件系统难管理、维护数据的问题，它将数据分解为简单的、可操作的关系，使得数据的增删改查等操作更加方便、高效。在关系型数据库中数据被存储在表中。每个表都有一个或多个列，用于存储具体的数据，而每列则有特定的数据类型。表之间通过主键和外键联系起来，从而形成一个复杂的关系网络。例如，在一个订单系统中，订单表和客户表可以通过客户ID联系起来，这样的连接使得系统能够更方便地处理订单和客户信息。关系型数据库还有其他的重要特性：ID事务：这是关系型数据库重要的一个特性，指的是原子性、一致性、隔离性和持久性四个方面。它保证了读写操作的一致性和可靠性，使得数据库可以非常可靠地存储和管理数据。数据表的约束：关系型数据库可以为表设置各种约束，如主、唯一性、外键、默认值等。这些约束保证了数据的完整性和一致性，防止了数据的错误和破坏。索引和视图：关系型数据库支持各种类型的索引和视图，从而提高了数据的查询和操作效率。索引可以帮助系统快速的查找数据，而视图则可以将数据从不同的角度进行展示。安全性

关系型数据库是一种基于关系模型的数据库管理系统，关系型数据库使用结构化的查询语言进行数据操作和管理。关系型数据库是一种高度结构化的数据存储和检索系统，可以有效地组织和管理大量数据，同时提供数据完整性、安全性、并发控制和事务处理等功能。国产关系型数据库星环分布式交易型数据库-TranswarpKunDBKunDB是星环科技基于分布式技术自主研发的国产化的交易型数据库，提供完整的关系型数据库的能力，能够实现MySQL，Oracle等传统主流数据库的国产化替代。独特的混合部署技术支持主流国产化CPU等自主可控的硬件平台和OS部署，满足国产化部署需求。KunDB提供全链路高可用、一致性备份恢复等容灾分析《中国分析型数据库市场研究报告》，并获得金猿奖“2021大数据产业创新服务产品”等多项荣誉。星环分布式数据库-TranswarpArgoDBArgoDB是星环科技自主研发的高性能分布式数据库，在PB能力，以及完备的安全管理、资源管理能力，可以为不同业务场景保驾护航。而且KunDB已经通过了工信部分布式数据库测试、央行数据库标准测试等多项权威测试认证，入选了Gartner《中国数据库市场指南》、爱

关系型数据库是采用关系模型进行数据组织的一种数据库。其使用行和列的形式将数据以易于用户理解的方式进行存储，每个表代表着的一个特定领域。多个表结构的组合便构成了一个关系型数据库。用户可以通过查询来查找数据库中的数据，查询即限定数据库中某些区域的执行代码。关系模型就是将组织成二维表格模型的方式。因此，一个关系型数据库就是由多个二维表格及其之间的关组成的一种用于数据组织的数据库。星环关系型数据库星环分布式交易型数据库-TranswarpKunDBKunDB是星环科技基于分布式技术自主研发的国产化的交易型数据库，提供完整的关系型数据库的能力，高度兼容SQL，保证事务ACID。KunDB具有业内领先的事务处理性能，SQL兼容性以及新的分布式查询优化技术，支持复杂查询且性能是MySQL的10倍以上，充分满足高并发、大数据量的交易型业务场景，能够实现MySQL，Oracle等传统主流数据库的国产化替代保驾护航。而且KunDB已经通过了工信部分布式数据库测试、央行数据库标准测试等多项权威测试认证，入选了Gartner《中国数据库市场指南》、爱分析《中国分析型数据库市场研究报告》，并获得金猿奖“2021

需要更多的存储和计算资源，特别是在处理大规模数据集时。关系型数据库：成本相对较低，适合预算有限的场景。技术实现：分析型数据库：可能使用专门的技术，列式数据库和数据立方体技术。关系型数据库：使用传统的关系分析型数据库和关系型数据库是两种不同用途的数据库系统，它们在设计、功能和优化方面有所不同。以下是它们的主要区别：用途：分析型数据库：主要用于数据仓库和大数据分析，支持复杂的分析查询，如数据挖掘、预测分析和趋势分析。关系型数据库：主要用于事务处理系统，如客户关系管理（CRM）、企业资源规划（ERP）等，支持日常的事务处理和操作。查询类型：分析型数据库：优化了对大数据集的读操作，特别是聚合查询和扫描大量记录。关系型数据库：优化了对小到中等数据集的读写操作，特别是点查询和事务处理。数据模型：分析型数据库：通常使用多维数据模型（如星型模型或雪花模型），这些模型适合于分析型查询。关系型数据库：使用关系模型，数据以表格的形式存储，通过行和列组织数据。性能优化：分析型数据库：针对分析查询进行了优化，如使用列式存储、数据立方体和预计算。关系型数据库：针对事务处理进行了优化，如使用行式存储、索引和事务日志

关系型数据库是一种采用关系模型来组织数据的数据库系统。关系型数据库的核心在于将数据以行和列的形式进行存储，这种结构使得数据更加易于用户理解和操作。在关系型数据库中，这些行和列的组合被称为表，而一组表则构成了整个数据库。关系模型是关系型数据库的基础，强调数据之间的关联性和完整性。通过定义数据之间的关系，如主键、外键等，关系型数据库能够确保数据的准确性和一致性。这种模型使得数据之间的关系更加明确，便于进行数据查询、更新和删除等操作。在关系型数据库中，表是存储数据的基本单位。每个表都有特定的字段和记录，字段定义了数据的属性，而记录则包含了具体的数据值。通过定义表之间的关系，如一对一、一对多或多对多关系，关系型数据库能够建立复杂的数据结构，满足各种实际应用需求。关系型数据库还具有强大的查询功能。用户可以通过编写SQL（结构化查询语言）语句来检索、更新和删除数据库中的数据。SQL是一种通用的、功能强大的语言，使得用户能够灵活地操作数据库中的数据。此外，关系型数据库还提供了数据完整性、安全性和并发控制等机制。通过定义约束、触发器等机制，关系型数据库能够确保数据的完整性和一致性；通过访问控制和加密技术，关系型数据库能够保护数据的安全性；通过并发控制技术，关系型数据库能够支持多个用户同时访问和修改数据。

关系型数据库是一种基于关系模型的数据库，它通过表格的形式存储和管理数据。这种模型将数据结构化地组织成行（记录）和列（字段），使得数据的存储、检索和管理更加系统化和规范化。以下是关系型数据库的一些核心一对一、一对多和多对多。SQL语言：结构化查询语言是关系型数据库的标准语言，用于查询、更新和管理数据。数据完整性：通过主键、外键、唯一约束等机制保证数据的完整性和一致性。事务管理：支持事务，确保数据特点：数据结构化：数据被组织成行和列的形式，每一行代表一个记录，每一列代表一个字段。表格形式：数据存储在二维表中，每个表都有多个行和列。关系模型：数据库中的数据通过表之间的关系进行组织，最常见的关系是操作的原子性、一致性、隔离性和持久性。索引：支持索引机制，提高数据检索的效率。视图：提供视图功能，允许用户定义虚拟表，简化复杂的查询操作。标准化：遵循数据库标准化原则，减少数据冗余，提高数据一致性。并发控制：支持并发访问控制，确保多用户环境下数据的安全性和一致性。备份与恢复：提供数据备份和恢复功能，保障数据的安全。可扩展性：支持数据的扩展，包括水平扩展（增加更多服务器）和垂直扩展（增加单个服务器的资源）。

关系型数据库和非关系型数据库的主要区别可以概括如下：数据模型：关系型数据库：基于关系模型，数据存储在表格中，通过行和列的形式组织，数据之间通过关系（外键）相互关联。非关系型数据库：不基于关系模型，数据存储方式多样，包括键值对、文档、宽列存储、图形数据库等。查询语言：关系型数据库：使用SQL作为查询语言，支持复杂的查询和事务处理。非关系型数据库：查询语言或接口各不相同，通常不如SQL强大，但更简单，更适合特定的数据模型。事务处理：关系型数据库：支持ACID事务，保证事务的可靠性。非关系型数据库：通常支持BASE原则，强调可用性和最终一致性。扩展性：关系型数据库：水平扩展（增加更多服务器）较为困难，通常采用垂直扩展（增加单个服务器的资源）。非关系型数据库：设计上更易于水平扩展，适合大规模分布式系统。一致性：关系型数据库：强调强一致性，数据更新后立即对所有事务可见。非关系型数据库：可能允许一定程度的数据不一致，以换取更高的可用性和性能。性能：关系型数据库：在处理复杂查询和事务时性能较好。非关系型数据库：在处理大量非结构化数据和高并发读写操作时性能较好。适用场景：关系型数据库：适合需要高度数据

OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...

运维管理界面WebserverWebserver是Hippo提供运维监控的界面。默认访问地址为:4567"class="bare">http://<webserver_ip>:4567。或者在Manager管理界面我们可以通过下图所示的查看链接这里进行跳转。图15.登录HippoWebserverWebserver主要由下面几个部分构成。概况图16.概况该页面展示了Hippo集群的基本信息，包括：Masterstatus：当前的ActiveMaster，MasterGroup，MasterAddress，Master的健康状态TabletServerStatus：TabletServerAddress，健康状态，逻辑机架和数据中心信息，容量使用以及Tablet个数TabletNum：当前集群表的个数Version：Hippo版本信息库表图17.库表页面以库和表的概念集群存储的各类数据信息。库信息：库名库创建时间库内各类表的信息：点击某个库，可以看到库下所有表的信息，主要包括：••表的ID••表的名字••表的状态••表的Tablet数量••表的Engine类型••表的副本数•...

在Hippo中，比较耗时的操作如激活、加载向量索引实际上是一个分布式任务，用户可以通过任务相关接口查看、删除任务。查看任务curl-ushiva:shiva-XGET"localhost:8902/hippo/v1/_jobs?pretty"-H'Content-Type:application/json'-d'{"job_ids":["fc6feff4f303455a9347f9aab323dfc8"],"action_patterns":["hippo*"]}';返回结果：{"jobs":[{"job_id":"810935a1d91a46b7af2ec35013454fed","job_status":"SHIVA_JOB_SUCCESS","embedding_number":100,"task_results":[{"id":"54ab52493dfb4bab9fb7742d850c64c4","status":"TASK_SUCCESS","server":"172.29.40.26:27841","embedding_number":100,"execute_time":...

ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...

查看Master节点通过以下命令，查看集群Master节点信息：curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/master?v'返回结果：epochtimestampactive.master.hostactive.master.portmaster.group169079683909:47:19172.29.203.18926841172.29.203.189:26841,172.29.203.189:26851,172.29.203.189:26861查看数据节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes?v'//查看所有节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes/{node}?v'//{node}表示待匹配的节点地址，支持以*通配，支持指定多个pattern，多个pattern以逗号分割返回结果：

过滤条件表达式Hippo当前支持如下表达式，可用于标量或向量查询。表46.过滤条件表达式表达式描述and当前版本支持and，不支持or/not==等值<小于⇐小于等于>大于>=大于等于inin[1,2,3]notinnot_in[1,2,3]like'_'表示匹配任一字符，'%'表示匹配任意字符，'\'为转义符向量相似性检索本节描述如何进行向量相似度搜索。Hippo中的向量相似性搜索计算查询向量与表中向量的距离，返回最相似的结果集。通过指定标量过滤条件，用户可以进行向量与标量的混合搜索。curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/{table}/_search?pretty'-H'Content-Type:application/json'-d'{"output_fields":["book_id"],"search_params":{"anns_field":"book_intro","topk":2,"params":{"nprobe":10},"embedding_index":"ivf_flat_index"}...

本节介绍Hippo表写入相关操作。Hippo会返回写入成功数据的下标以及总共写入成功的数据条数，如果出现行级错误（比如主键冲突），Hippo会返回具体的行级错误。插入本节介绍如何向Hippo中插入数据。curl-ushiva:shiva-XPUT'localhost:8902/hippo/v1/{table}/_bulk?database_name={database_name}&pretty'-H'Content-Type:application/json'-d'{"fields_data":[{"field_name":"book_id","field":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74...

OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...

本节测试主要描述了Hippo1.0在关键测试上的一些性能表现，该份测试同样也是Hippo的基准测试，后续版本发布也会在不同版本上进行该测试进行对比分析。术语表142.Hippo性能测试术语TermDescriptionnq一次搜索请求中搜索的向量个数topk一次请求中对于要检索的每个向量(依赖nq)，所能检索到最近距离的向量个数RT一次请求从发起到接受响应的时间]QPS请求在每秒内成功执行的次数dataset测试所用数据集，不同数据集表示不同的业务场景测试集群配置硬件配置表143.性能测试硬件配置硬件规范Nodes3CPUIntel®Xeon®Gold5218RCPU@2.10GHzMemory16*\16GBRDIMM,3200MT/sDISKNVMeSSD2T*4GPUNONE软件配置表144.性能测试软件配置软件版本Hippov1.2TranswarpManagerTDH9.3.0测试集表145.性能测试数据集数据集名称数据集介绍向量维度向量总数查询数量数据总量距离类型Sift-128-euclidean该数据集是基于Texmex的数据集整理，使用SIFT算法得到的图片特征向量。...

Hippo在1.2版本提供了全文索引能力，兼容ElasticSearch6.7.2语法，在底层架构上复用了公司产品TranswarpScope的一部分特性，支持以Java/HTTPRestful的形式通过Hippo的HTTPServer接口进行全文索引的创建、查询、使用等各类需求，通过该能力的支持，可以更好的实现向量与全文的混合检索。通过将向量检索加全文检索的联合召回，可以降低漏检和误检的概率，能够实现比单独使用向量或全文更高的精度。同时，一套数据库系统可避免部署多套系统带来的架构复杂、开发运维成本高等问题。具体的使用方法除了访问端口需要将端口从8902调整为9200外，均可参考《TranswarpScope手册》4.TranswarpScopeAPI介绍。