向量数据库 选型原则

中国首个《向量数据库技术要求》标准正式实施，为向量数据库的研发、测试和选型提供了重要的参考依据，推动中国人工智能产业的持续发展。在人工智能时代，向量数据作为基础数据形式，记录了事物的多个维度特征包含了基本功能、运维管理、安全性、兼容性、扩展性、高可用性以及工具生态7大能力域共47个测试项，被分为27个必选项和20个可选项。这将为向量数据库的研发、测试和选型提供重要的参考依据。这一标准的实施将进一步推动中国人工智能产业的高质量发展，促进向量数据库技术的进步和应用普及。。向量数据库借助向量索引等技术，能够通过模糊匹配进行近似查找，从而以快速度找到符合需求的数据，极大地提高了人工智能系统的数据检索和处理效率。今年以来，随着人工智能大模型的爆发式发展，行业对向量数据库的需求也进一步增加，使得向量数据库的关注度持续上升。然而，长期以来，向量数据库在技术架构、查询语言、使用成本等方面缺乏行业共识，亟待解决一些关键问题。为了推动行业形成对向量数据库基础能力的基本共识，推动向量数据库技术产业发展和规模化应用，中国信通院云计算与大数据研究所依托中国通信标准化协会大数据技术标准推进委员会和信通院数据库应用创新实验室，联合50多家企业专家共同编制了《向量数据库技术要求》。该标准

计，能够高效地存储和检索数以亿计的数据向量，从而满足大规模数据处理的需求。查询方式的不同：传统数据库的查询方式通常包括点查和范围查，这些查询方式基于精确匹配原则，即查询结果要么完全符合条件，要么不符合向量数据库与传统数据库在数据规模、查询方式、计算能力和性能等方面存在明显的区别。数据规模上：传统关系型数据库在处理海量数据时，往往面临着性能瓶颈和扩展性问题。而向量数据库则专为处理超大规模数据而设。而向量数据库的查询方式则更加灵活和复杂，采用近似查找的方式来检索与查询条件相近的结果。这种近似查找的方式使得向量数据库能够处理更加复杂和模糊的查询需求，但同时也对计算能力提出了更高的要求。在计算能力方面：与传统的精确查找相比，近似查找需要进行大量的计算来比较向量之间的相似度。这要求向量数据库具备强大的计算能力和高效的算法来支持这种复杂的查询操作。低时延和高并发：由于采用了高效的数据存储和检索机制，向量数据库能够在极短的时间内完成查询操作，从而满足实时性要求较高的应用场景。同时，向量数据库也具备高并发的处理能力，能够同时处理多个查询请求，确保系统的稳定性和可用性。

向量数据库是专门用于高效地存储、查询和管理向量数据的数据库。而向量存储，作为向量数据库的核心组成部分，其设计和优化直接影响到数据库的性能和效率。数据结构向量数据库在存储向量数据时，通常会采用特定的具有固定维度的向量集合。这些平面数据结构简单直观，但在处理大规模数据集时，可能会面临性能瓶颈。特定向量存储引擎：为了克服平面数据结构的局限性，一些向量数据库采用了特定的向量存储引擎。这些引擎针对向量和提高存储效率，一些向量数据库采用了压缩技术。压缩算法：这些算法通过消除数据中的冗余和重复信息，来减少向量数据的大小。常见的压缩算法包括有损压缩和无损压缩。有损压缩在压缩过程中会损失一定的精度，但通常可以获得更高的压缩比；而无损压缩则能够在保持数据完整性的前提下进行压缩。大规模数据集优化：在处理大规模数据集时，压缩技术显得尤为重要。通过合理地应用压缩算法，向量数据库可以显著减少存储空间的使用，降低存储成本。同时，压缩后的数据还可以提高数据传输和处理的效率，进一步提升整个系统的性能。数据结构。这些数据结构能够有效地组织和存储向量，以便于后续的查询和计算。平面数据结构：常见的平面数据结构包括数组和矩阵。数组是一种线性结构，适用于存储一系列有序的向量；而矩阵则是一种二维结构，适用于存储

国产化数据库选型需要综合多方面因素进行考量，以下是一些常见的国产数据库及选型要点：选型考量因素技术层面架构特性：根据业务场景选择集中式或分布式架构。集中式数据库适合一致性与稳定性要求高、复杂SQL查询快的场景；分布式数据库则适用于海量数据弹性扩展业务与海量数据的OLAP业务。性能容量：关注数据库的TPCC数据等基准性能，还要针对生产环境典型应用场景进行压力测试，同时考虑数据库架构能否支撑原有数据库的容量。高可用与可靠：了解不同数据库保证数据一致性和高可用的实现原理，如物理日志记录传输、逻辑日志、分布式协议等方式，以及各自在同步效率、延迟和适用场景上的差异。兼容性：包括与现有系统、应用程序、SQL语法以及数据格式等的兼容性，确保替换后业务能正常运行。产品层面内核研发团队：强大的研发团队是数据库持续优化、升级和提供技术支持的保障，可关注团队的技术实力、研发经验和创新能力。金融级案例：有金融级应用案例的数据库，通常在稳定性、安全性和性能方面经过了更严格的考验，能更好地满足企业关键业务需求。生态层面开源社区：活跃的开源社区意味着丰富的技术资源、快速的问题解决和持续的功能迭代，可降低使用和维护

向量数据库是一种新型的数据库架构，它使用向量表示法来存储和检索数据。这些向量是由深度学习模型生成的，可以简化处理多结构化内容的方式。与传统的关系型数据库不同，向量数据库设计为多语言和多模态，可以在同一向量空间内处理任何形式的自然语言和非结构化数据，如图像、视频、音频、文本等。这意味着，无论数据的形式如何，都可以使用相同的向量表示法进行处理。向量数据库通过处理深度学习模型的嵌入式向量来存储、索引和搜索大型非结构化数据集。这些向量是通过对原始数据应用某种转换或嵌入函数来生成的。嵌入函数可以基于各种方法，如机器学习模型、词嵌入、特征提取算法等。在向量数据库中搜索使用相似性指标和索引。相似性指标定义了数据库如何评估两个向量之间的距离和差值。常用的相似性度量是欧几里得距离，也称为L2范数。此外，索引也在加快查询速度和处理并发性方面发挥着关键作用。与传统的基于文本的数据库相比，向量数据库的主要优点是允许根据向量距离或相似性快速准确地搜索和检索数据。这意味着，用户可以使用向量数据库根据语义或上下文含义查找相似或相关的数据，而不是使用基于完全匹配或预定义条件查询数据库的传统方法。这种基于相似性的搜索方法可以更好地处理语义层面的查询，而不仅仅是基于关键词的匹配。

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。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。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

向量数据库向量数据库是一种专门用于存储和查询高维向量数据的数据库系统。它通过特定的索引结构和优化算法，使得高维向量的存储、管理和检索变得更加高效。向量数据库不仅支持大规模向量数据的存储，还提供高效的相似性搜索功能，即快速找到与查询向量最相似的若干个向量。这在推荐系统、图像识别、自然语言处理等领域具有广泛的应用。工作原理向量数据库的工作原理主要包括数据存储、索引构建和相似性搜索三个过程：数据存储：向量数据被存储在数据库中，并按照一定的数据模型进行组织。通常情况下，向量数据可以通过向量化技术将其转换为数值向量、文本向量或图像向量等形式。索引构建：针对向量数据，数据库会构建索引结构，以加快相似性搜索的速度。常见的索引结构包括KD树、球树和LSH（局部敏感哈希）等。这些索引结构能够将向量数据组织成树状或哈希表的形式，从而提高相似性搜索的效率。相似性搜索：当用户发起相似性查询时，数据库会通过索引结构进行快速搜索，并返回与查询向量最相似的数据结果。相似性搜索的过程通常涉及到距离计算和相似度评估，数据库会利用预先构建的索引结构来加速这一过程，从而提供快速准确的搜索结果。应用场景向量数据库在许多领域

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。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

向量数据库对向量进行操作，因此其优化和查询方式与传统数据库截然不同。在传统数据库中，通常会查询数据库中的行，这些行的值通常与我们的查询完全匹配。在向量数据库中，我们应用相似度量来查找与我们的查询相似的向量。向量数据库使用不同算法的组合，这些算法都参与了近似近邻搜索。这些算法可快速、准确地检索所查询向量的邻域。由于向量数据库提供的是近似结果，我们主要考虑的是准确性和速度之间的权衡。结果越准确，查询速度就越慢。不过，一个好的系统可以提供超快的搜索速度和近乎完美的精确度。下面是向量数据库的常用流程：编制索引：向量数据库使用PQ、LSH或HNSW等算法为向量建立索引。这一步将向量映射到数据结构中，从而加快搜索速度。查询：向量数据库将索引查询向量与数据集中的索引向量进行比较，以找到近的相邻向量（应用该索引使用的相似度量）后处理：在某些情况下，向量数据库会从数据集中检索终近邻，并对其进行后处理，以返回终结果。这一步可以包括使用不同的相似性度量对近邻进行重新排序。

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。...

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•...

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

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":...

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：

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

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。

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...

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"}...

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