向量数据库 特点

向量数据库不同于传统的关系型数据库，它是一种面向向量数据的新型数据库系统。其显著的特点是要应用于海量数据的存储和实时计算，高并发、低延迟，并且需要良好的硬件设备加速。应用场景：由于向量数据库需要存储海量的数据，因此其应用场景主要集中在人工智能、大数据分析、搜索引擎等计算密集型领域中，如人脸识别、音视频搜索、自然语言处理等。在这些场景下，向量数据库处理的是由大量的向量组成的数据集，因此较之传统的关系型数据库，更适合于存储不确定数量的数据。高可用、高扩展性的架构：向量数据库的架构需具备高可用和高扩展性，以实现数据的高效处理和管理。一般来说，向量数据库的架构由主节点和从节点组成，而且从节点可以动态扩展，从而实现系统的高可用和高扩展性。在实际应用中，如果有节点出现故障，主节点可以通过选举机制重新选出一个主节点，保证数据库的可用性。此外，向量数据库还可以通过数据跨节点分布式存储，实现系统性能的线性扩展。计算密集型应用，需要良好的硬件设备加速：向量数据库是一种计算密集的应用，因此需要良好的硬件设备速，以提高系统的性能和响应速度。一些专用硬件，是实现向量计算加速的主要手段。通过将硬件资源优化与

向量数据库是一种专门用于存储和查询大规模高维向量的数据库系统，主要具有以下特点：存储向量数据：向量数据库能够高效地存储大规模的向量数据集，保持向量的完整性和准确性。向量数据可以是文本、图像、音频等的向量数据库不同，星环分布式向量数据库Hippo具备高可用、高性能、易拓展等特点，支持多种向量搜索索引，支持数据分区分片、数据持久化、增量数据摄取、向量标量字段过滤混合查询等功能，很好地满足了企业针对海量向量数据的高实时性检索等场景。。高维向量索引：向量数据库使用特殊的索引结构，如树状结构（如KD-Tree、M-）或哈希结构（如LSH、HNSW），以支持高效的向量相似性搜索。这样可以快速找到与给定查询向量相似的向量，以支持近似搜索和相关性分析。向量相似性搜索：向量数据库能够根据给定的查询向量，快速找到与之相似的向量，以支持近似搜索和相关性分析。这对于图像搜索、推荐系统、人脸识别等应用场景非常有用。向量聚类和分类：向量数据库提供了聚类和分类算法，可以将向量数据分组成具有相似特征的集合以支持数据分析和挖掘。这有助于理解数据集中的模式和关系，并从中提取有用的信息。扩展性和性能：向量数据库通常具有良好的可扩展性和高性能，能够处理

，充分发挥并行检索能力，实现毫秒级高性能数据检索，结合相似度检索等技术，帮助用户快速挖掘数据价值。优势特点：与开源的向量数据库不同，星环分布式向量数据库Hippo具备高可用、高性能、易拓展等特点，支持多种向量星环分布式向量数据库Hippo作为一款企业级云原生分布式向量数据库，基于分布式特性，可以对文档、图片、音视频等多源、海量数据转化后的多维向量进行统一存储和管理。通过多进程架构与GPU加速技术搜索索引，支持数据分区分片、数据持久化、增量数据摄取、向量标量字段过滤混合查询等功能，很好地满足了企业针对海量向量数据的高实时性检索等场景。云原生技术，支持弹性扩缩容。星环分布式向量数据库Hippo采用全面容器化部署，支持服务的弹性扩缩容，同时具备多租户和强大的资源管控能力。基于星环分布式向量数据库Hippo，可以有效地解决大模型在知识时效性低、输入能力有限、准确度低等问题。通过将新资料、专业知识、个人习惯等海量信息向量存储在星环分布式向量数据库Hippo中，可以极大地拓展大模型的应用边界，让大模型保持信息实时性，并能够动态调整，使大模型拥有“长期记忆”。此外，通过星环分布式向量数据库

数据库Hippo具备高可用、高性能、易拓展等特点，支持多种向量搜索索引，支持数据分区分片、数据持久化、增量数据摄取、向量标量字段过滤混合查询等功能，很好地满足了企业针对海量向量数据的高实时性检索等场景、易拓展等特点的星环分布式向量数据库Hippo，可以很好地满足企业针对海量向量数据的高实时性等场景。文本检索：传统搜索引擎更偏向于词/句的精确查询，星环分布式向量数据库Hippo通过向量引擎提供向量数据库是专门用来存储和查询向量的数据库。向量数据库基于向量相似性搜索，可以处理更多非结构化数据，比如图像和音频。在机器学习和深度学习中，数据通常以向量形式表示，因此向量数据库被广泛应用于这些领域。向量数据库哪个好？星环科技分布式向量数据库TranswarpHippo星环分布式向量数据库Hippo作为一款企业级云原生分布式向量数据库，基于分布式特性，可以对文档、图片、音视频等多源、海量数据转化后的多维向量进行统一存储和管理。通过多进程架构与GPU加速技术，充分发挥并行检索能力，实现毫秒级高性能数据检索，结合相似度检索等技术，帮助用户快速挖掘数据价值。与开源的向量数据库不同，星环分布式向量

，向量数据库的应用日益广泛，为处理和分析这些复杂的向量数据提供了强大的支持。向量数据库的主要特点向量数据库的主要特点如下：高效的向量存储：向量数据库采用了专门的存储技术，可以高效地存储和管理大量的向量数据向量数据库（VectorDatabase）是一种针对向量数据设计的数据库系统。向量数据，作为多维度的数值集合，能够表示各种复杂实体的特征，如图像、文本和音频等。在人工智能、机器学习和大数据等领域。这些技术通常包括数据压缩、索引优化等，有助于减少存储空间的需求并提高数据访问的效率。快速的相似度查询：向量数据库支持基于相似度的查询，特别是近邻查询（k-NN）。通过计算查询向量与数据库中向量的相似度，可以快速找到与给定向量相似的向量，满足各种复杂的数据分析和检索需求。分布式和可扩展性：由于向量数据通常规模庞大，向量数据库常采用分布式架构，可以在多个节点上进行存储和计算。这种架构不仅提高了系统的可靠性，还使数据库具有良好的可扩展性，能够应对不断增长的数据规模。灵活的数据模型：向量数据库支持多种数据模型，以适应不同应用场景的需求。除了基本的向量空间模型外，还可能支持图模型等复杂数据结构，为用户

星环科技分布式向量数据库TranswarpHippo星环分布式向量数据库Hippo作为一款企业级云原生分布式向量数据库，基于分布式特性，可以对文档、图片、音视频等多源、海量数据转化后的多维向量进行统一存储和管理。通过多进程架构与GPU加速技术，充分发挥并行检索能力，实现毫秒级高性能数据检索，结合相似度检索等技术，帮助用户快速挖掘数据价值。与开源的向量数据库不同，星环分布式向量数据库Hippo具备弹性扩缩容星环分布式向量数据库Hippo采用全面容器化部署，支持服务的弹性扩缩容，同时具备多租户和强大的资源管控能力。高扩展性，海量向量数据存储与直接利用各类算法lib不同，星环Hippo存储和计算都可以充分利用分布式特性，按需灵活扩展，满足大规模集群部署需求；通过Raft算法确保数据的强一致性；并提供故障迁移，数据修复等数据保障能力。深度优化，高性能数据检索星环分布式向量数据库Hippo支持多进程架构与GPU加速，充分发挥并行检索能力；支持基于检索速度和内存使用的特定优化，以及寄存器级算法优化；同时提供多类索引支持，满足不同需求不同体量的业务场景。动态更新，实时检索星环分布式向量数据库

，充分发挥并行检索能力，实现毫秒级高性能数据检索，结合相似度检索等技术，帮助用户快速挖掘数据价值。优势特点：与开源的向量数据库不同，星环分布式向量数据库Hippo具备高可用、高性能、易拓展等特点，支持多种向量星环分布式向量数据库Hippo作为一款企业级云原生分布式向量数据库，基于分布式特性，可以对文档、图片、音视频等多源、海量数据转化后的多维向量进行统一存储和管理。通过多进程架构与GPU加速技术搜索索引，支持数据分区分片、数据持久化、增量数据摄取、向量标量字段过滤混合查询等功能，很好地满足了企业针对海量向量数据的高实时性检索等场景。云原生技术，支持弹性扩缩容。星环分布式向量数据库Hippo采用全面容器化部署，支持服务的弹性扩缩容，同时具备多租户和强大的资源管控能力。基于星环分布式向量数据库Hippo，可以有效地解决大模型在知识时效性低、输入能力有限、准确度低等问题。通过将新资料、专业知识、个人习惯等海量信息向量存储在星环分布式向量数据库Hippo中，可以极大地拓展大模型的应用边界，让大模型保持信息实时性，并能够动态调整，使大模型拥有“长期记忆”。此外，通过星环分布式向量数据库

向量搜索数据库是一种以向量为基础存储单元，具备高效检索向量能力的数据库。向量搜索数据库大多数适用于海量高维向量数据的存储和检索，对于传统关系型数据库无法胜任或效率较低的高维向量场景有较好的解决效果。通过应用向量检索算法，量搜索数据库可以快速检索和匹配目标向量，不仅可以于向量相似度检索，还可以支持分类、聚类和推荐等应用场景。现在大型机构和企业广泛应用向量搜索数据库来挖掘和应用对企业有价值的数据信息，比如金融行业的推荐和欺诈检测，社交网络领域的知识图谱与舆情应用等等。星环科技分布式向量数据库TranswarpHippo星环科技分布式向量数据库TranswarpHippo作为一款企业级云原生分布式向量数据库，支持存储、索引以及管理海量的向量式数据集，提供向量相似度检索、高密度向量聚类等能力，有效地解决了大模型在知识时效性低、输入能力有限、准确度低等问题，让大模型更高效率地存储和读取知识库，降低训练和推理成本，激发更多的AI应用场景。在赋予大模型拥有“长期记忆”的同时，还可以协助企业解决目前担忧的大模型数据隐私泄露问题。与开源的向量数据库不同，星环分布式向量数据库Hippo具备高可用、高性能

向量数据库（VectorDatabase），是一种以向量为基本数据类型的数据库，利用数学中的向量空间理论，对数据进行高效地存储和管理。与传统的关系型数据库不同，向量数据库不是以表格形式存储数据，而是利用向量空间中的向量来表示数据，并对这些向量进行各种运算和操作。向量数据库的主要应用领域是人工智能和机器学习。在人工智能领域，向量数据库被广泛用于图像、音频、视频、自然语言处理等任务的数据管理和处理。以图像识别为例，传统的关系型数据库需要先将图像像素点转化为数字，再进行存储和处理。而向量数据库则可以将图像直接表示为向量，从而减少数据的转换过程，提高了数据处理的率。在实现上，向量数据库依赖于高效的向量操作和索引技术。向量操作主要包括向量间的相似度计算、向量的加减乘除、向量的转换等。为了加速这些操作，向量数据库采用了一系列优化策略，包括基于GPU的并行计算、SIMD指令集的优化、近似匹配算法等。与传统数据库相比，向量的优势主要体现在以下几个方面：高效的向量操作：向量数据库可以实现快速的向量计算和索引，提高数据处理的效率。多模态支持：向量可以支持多种数据类型的存储和检索，如图像、音频、视频等

类型表达式类型例子十进制型整数10,-213十进制小数1.25,3.604E-14,-2.31十进制型长整数199345843592l,-12381543923L任意精度的有符号十进制数123bd,123.31BD八进制整数(0开头)084,-096字符串"星环",'信息科技'布尔类型true,false,TRUE,FALSE数组类型[1，2，3],["星环","信息科技"],[decimal(10.2,3,1),decimal(100.2,3,2)],[localdatetime("2021-01-18T09:50:12.627"),localdatetime("2021-11-18T03:50:12.113")]时间类型localdatetime("2021-01-18T09:50:12.627")Decimal类型decimal(10.2,3,1)地理空间类型point(20.5,30.5),point(-20.5,-30.5)时序类型{localdatetime("2023-01-01T15:16:17")::"nice"},{localdatetime("1997-01-01...

本章节的示例语句均可在示例图my_graph中执行，执行前请先创建示例图my_graph，建图语句如下:creategraphmy_graphwithschema(:Boy{namestring,salarydouble,ageint,singleboolean,birthdaylocaldatetime,reservelong,ratedecimal(38,10),hobbysarray<string>,geoPointgeo<double>})(:Girl{namestring,salarydouble,ageint,singleboolean,birthdaylocaldatetime,reservelong,ratedecimal(38,10),hobbysarray<string>,geoPointgeo<double>})[:Friend{sinceint}][:Likes{sinceint}]graphproperties:{`graph.shard.number`:3,`graph.replication.number`:...

StellarDB支持用户添加自定义函数，添加后可在cypher语句中使用。自定义函数实现自定义函数通过java/scala语言开发，可继承实现两种基类，编译成jar包，通过指定命令加载到StellarDB。需要实现的基类为如下两种，可自行选择继承合适的基类：继承UDF基类继承GenericUDF基类。继承UDF基类该类实现简单，功能较为单一。支持Quark的基本类型、数组和Map。适合实现简单的逻辑。继承org.apache.hadoop.hive.ql.exec.UDF类继承UDF类必须实现evaluate方法且返回值类型不能为void，支持定义多个evaluate方法不同参数列表用于处理不同类型数据。@Description(name="my_plus",value="my_plus()-ifstring,doconcat;ifinteger,doplus",extended="Example:\n>selectmy_plus('a','b');\n>ab\n>selectmy_plus(3,5);\n>8")/***实现UDF函数，若字符串执行拼接，in...

索引是数据库中某些数据的冗余副本，目的是使查询性能更优。作为代价，数据库需要额外存储空间和较慢写入速度，因此决定哪些字段需要索引是一项重要且不易的任务。（新）StellarDB5.0.1版本不再对旧版本使用的manipulatecreate_index和manipulatedelete_index语法进行支持，在新版本中统一使用createindex和dropindex进行索引的创建和删除新增索引CREATEINDEX[IFNOTEXISTS]FOR(LabelName)ON[f1,f2,...];CREATEINDEX[IFNOTEXISTS]FOR[LabelName]ON[f1,f2,...];不支持对TIME_SERIES类型的属性创建索引默认情况下,对同一个Label的某个属性多次创建索引会报错;但如果带有IFNOTEXISTS,则不会抛出任何错误包裹点边LabelName的括号不同，注意区分示例1.在点labelperson的属性name和age上建立索引CREATEINDEXIFNOTEXISTSFOR(person)ON[name,age];示例2.在边labelask...

声明简介声明是指为特定数据类型的变量分配一定的存储空间，并命名该变量以便引用它；必须先声明变量，然后才能引用它；对声明的变量可以进行赋值操作来改变它的值；声明的变量其作用域是Session级别的。变量声明使用decl关键字声明一个变量必须为变量指定名称和类型，且名称不能与已有的变量名相同。声明但未赋值的变量的默认值为null。变量名声明对大小写敏感。变量声明的语句遵循如下格式:DECL[<variable_name>:<variable_type>];使用方法示例如下表所示：语句说明declx:int;声明一个类型为int的变量xdecls:string;声明一个类型为string的变量sdecll:long;声明一个类型为long的变量ldeclb:boolean;声明一个类型为boolean的变量bdecld:double;声明一个类型为double的变量ddecltime:localdatetime;声明一个类型为localdatetime的变量timedecld1:decimal;声明一个类型为decimal的变量d1decllist1:list[int...

StellarDB5.0.1版本对图算法场景进行了大规模改进和提升，内置算法性能得到较大提升。在语法方面，StellarDB5.0.1的内置图算法对于返回的节点，会直接以节点类型返回。因此可以直接使用uid(vertex)访问节点的uid，而不再需要node_rk_to_uid函数进行uid的转换。可以参考PageRank等函数。另外，对于图算法返回的节点，我们也可以灵活的访问其其他属性作为返回值。图计算简介StellarDB的图计算使用TEoC语句调用相应图算法。算法的输入数据为图的点、边数据。当前版本中图计算支持结果返回、结果导出和结果写回。在使用图算法时，使用configcrux.execution.modeanalysis;语句切换到分析模式下使用图算法语句。图数据视图StellarDB支持创建一个可被持久化的视图，用于加速图算法执行过程。创建视图创建视图的语法如下所示：createquerytemporarygraphviewGRAPH_VIEW_NAMEas(v)[e]withGRAPH_ALGO(@GRAPH_VIEW_NAME,VIEW_STORE_PATH,CONFI...

3.1在TDH平台安装StellarDB3.2StellarDB安装校验3.3StellarDB低版本升级至StellarDB5.0.1

快速上手本章节将引导您快速熟悉StellarDB，并为您初步介绍如何通过KGExplorer和beeline客户端操作StellarDB。其中，"StellarDB初探"一节通过构建一张人物关系图，从零介绍如何在StellarDB进行基本操作；"StellarDB进阶"一节为您提供了内置于StellarDB的《哈利·波特》人物关系图，帮助您进一步探索StellarDB。StellarDB初探使用KGExplorer构建图从Manager页面进入KGExplorer页面。若KGExplorer开启了单点登录，会自动跳转Federation登录页面，按如图方式登录：KGExplorer用戶开启方法以及详细使用说明请查看章节《KGExplorer使用文档》。点击登录后进入KGExplorer主页面。我们首先需要构建图名为"hello_world"的图。在主页面右上角点击创建图按钮开始图谱schema的构建。按照引导填写图基本信息后点击确定进入构建页面。在画布中，我们为"hello_world"图创建Boy和Girl两种类型的点，两种类型的点均包含name、salary、age、single四...

通过beeline或JDBC时，设置参数configquery.langcypher;将查询语言切换为TEoC模式。根据使用场景选择查询模式（默认为immediate模式）immediate模式通常用于并发及短查询场景，查询结果和中间结果通常不超过百万。通过configcrux.execution.modeimmediate;切换。analysis模式通常用于分析场景，创建图、插入数据以及图算法相关的语句必须在该模式下进行。通过configcrux.execution.modeanalysis;切换。

为什么引入动态图模型？在实际应用过程中很容易可以发现，图数据在很多图数据的应用场景中并不是静态不变的，而是动态演进的，这些场景中包括例如金融反欺诈场景中金融交易网络随着时间的推进而发生的交易变化、交易社群变化等；又比如社交网络中新增用户、用户关注或者取消关注、更改账户信息等。将图数据变化的历史记录下来，不仅可以用于历史数据规律的总结，还可以利用动态图数据进行动态图神经网络相关技术的研究，从而进一步挖掘数据中潜在的数据价值和更加灵活高效的业务场景，譬如预测某一个时刻某一事件是否会发生。动态图模型的动态变化图数据的动态变化主要分为两类，一类是节点或边的属性的值的变化；另一类变化是子图（结构）的变化，如新增/删除点边。这两种图数据的动态变化可以单独发生，也可以同时发生。从图数据的属性变化角度来看，StellarDB5.0.1动态图模型可以记录图中节点或者边属性的所有历史版本（而非新数据覆盖旧数据）。在实际数据开发使用中，还可以结合诸如柱状图、趋势图等对历史数据进行可视化，更加直观、更加适合业务使用。从图数据的子图（结构）的角度来看，StellarDB5.0.1动态图模型还可以返回不同时间子图...