计算
弹性云服务器 ECS
Flexus云服务
裸金属服务器 BMS
弹性伸缩 AS
镜像服务 IMS
专属主机 DeH
函数工作流 FunctionGraph
云手机服务器 CPH
Huawei Cloud EulerOS
网络
虚拟私有云 VPC
弹性公网IP EIP
虚拟专用网络 VPN
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
VPC终端节点 VPCEP
云连接 CC
企业路由器 ER
企业交换机 ESW
全球加速 GA
安全与合规
安全技术与应用
Web应用防火墙 WAF
企业主机安全 HSS
云防火墙 CFW
安全云脑 SecMaster
DDoS防护 AAD
数据加密服务 DEW
数据库安全服务 DBSS
云堡垒机 CBH
数据安全中心 DSC
云证书管理服务 CCM
边缘安全 EdgeSec
威胁检测服务 MTD
CDN与智能边缘
内容分发网络 CDN
CloudPond云服务
智能边缘云 IEC
迁移
主机迁移服务 SMS
对象存储迁移服务 OMS
云数据迁移 CDM
迁移中心 MGC
大数据
MapReduce服务 MRS
数据湖探索 DLI
表格存储服务 CloudTable
云搜索服务 CSS
数据接入服务 DIS
数据仓库服务 GaussDB(DWS)
数据治理中心 DataArts Studio
数据可视化 DLV
数据湖工厂 DLF
湖仓构建 LakeFormation
企业应用
云桌面 Workspace
应用与数据集成平台 ROMA Connect
云解析服务 DNS
专属云
专属计算集群 DCC
IoT物联网
IoT物联网
设备接入 IoTDA
智能边缘平台 IEF
用户服务
账号中心
费用中心
成本中心
资源中心
企业管理
工单管理
国际站常见问题
ICP备案
我的凭证
支持计划
客户运营能力
合作伙伴支持计划
专业服务
区块链
区块链服务 BCS
Web3节点引擎服务 NES
解决方案
SAP
高性能计算 HPC
视频
视频直播 Live
视频点播 VOD
媒体处理 MPC
实时音视频 SparkRTC
数字内容生产线 MetaStudio
存储
对象存储服务 OBS
云硬盘 EVS
云备份 CBR
存储容灾服务 SDRS
高性能弹性文件服务 SFS Turbo
弹性文件服务 SFS
云硬盘备份 VBS
云服务器备份 CSBS
数据快递服务 DES
专属分布式存储服务 DSS
容器
云容器引擎 CCE
容器镜像服务 SWR
应用服务网格 ASM
华为云UCS
云容器实例 CCI
管理与监管
云监控服务 CES
统一身份认证服务 IAM
资源编排服务 RFS
云审计服务 CTS
标签管理服务 TMS
云日志服务 LTS
配置审计 Config
资源访问管理 RAM
消息通知服务 SMN
应用运维管理 AOM
应用性能管理 APM
组织 Organizations
优化顾问 OA
IAM 身份中心
云运维中心 COC
资源治理中心 RGC
应用身份管理服务 OneAccess
数据库
云数据库 RDS
文档数据库服务 DDS
数据管理服务 DAS
数据复制服务 DRS
云数据库 GeminiDB
云数据库 GaussDB
分布式数据库中间件 DDM
数据库和应用迁移 UGO
云数据库 TaurusDB
人工智能
人脸识别服务 FRS
图引擎服务 GES
图像识别 Image
内容审核 Moderation
文字识别 OCR
AI开发平台ModelArts
图像搜索 ImageSearch
对话机器人服务 CBS
华为HiLens
视频智能分析服务 VIAS
语音交互服务 SIS
应用中间件
分布式缓存服务 DCS
API网关 APIG
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
分布式消息服务RocketMQ版
多活高可用服务 MAS
事件网格 EG
企业协同
华为云会议 Meeting
云通信
消息&短信 MSGSMS
云生态
合作伙伴中心
云商店
开发者工具
SDK开发指南
API签名指南
Terraform
华为云命令行工具服务 KooCLI
其他
产品价格详情
系统权限
管理控制台
客户关联华为云合作伙伴须知
消息中心
公共问题
开发与运维
应用管理与运维平台 ServiceStage
软件开发生产线 CodeArts
需求管理 CodeArts Req
部署 CodeArts Deploy
性能测试 CodeArts PerfTest
编译构建 CodeArts Build
流水线 CodeArts Pipeline
制品仓库 CodeArts Artifact
测试计划 CodeArts TestPlan
代码检查 CodeArts Check
代码托管 CodeArts Repo
云应用引擎 CAE
开天aPaaS
云消息服务 KooMessage
云手机服务 KooPhone
云空间服务 KooDrive

在Elasticsearch集群创建向量索引

更新时间:2025-01-23 GMT+08:00

创建向量索引的操作流程如下所示:

  1. (可选)准备工作:根据业务需要,完成集群高级配置。
  2. (可选)预构建与注册中心点向量:当选择使用“IVF_GRAPH”“IVF_GRAPH_PQ”索引算法创建向量索引时,则需要对中心点向量进行预构建和注册。
  3. 创建向量索引:基于业务场景创建向量索引。
  4. 导入向量数据:将向量数据导入集群。
  5. (可选)离线构建:当向量字段开启了索引延迟构建,则数据全量写入完成后,需要执行离线构建API才能创建向量索引结构。
  6. 在Elasticsearch集群使用向量索引搜索数据:进行向量查询。

前提条件

已经参考向量检索的集群规格规划完成集群创建,且集群版本是Elasticsearch 7.6.2、Elasticsearch 7.10.2或OpenSearch 1.3.6。

(可选)准备工作

在创建向量索引前,请根据业务场景,完成集群高级配置。

  • 在离线导入数据场景下,为了提高批量写入性能,建议将索引的“refresh_interval”参数设置为“-1”,即关闭自动刷新索引。
  • 建议将备份数“number_of_replicas”设置为“0”,当离线数据导入完成后,再设置为需要的值。
  • 其他高级功能的参数配置说明请参见表1
    表1 集群高级配置参数说明

    参数

    说明

    native.cache.circuit_breaker.enabled

    是否开启堆外内存熔断。

    默认值:true。

    native.cache.circuit_breaker.cpu.limit

    向量索引堆外内存使用上限。

    假设使用128GB内存的机器且堆内存大小为31GB,默认堆外内存使用上限为(128 - 31) * 80% = 77.6GB,堆外内存使用量超过该值将会触发写入熔断。

    默认值:80%。

    native.cache.expiry.enabled

    是否开启缓存超时设置。开启时,如果某些缓存项长时间没有被访问过将会被清除。

    取值范围:true、false。

    默认值:false。

    native.cache.expiry.time

    超时时长。

    默认值:24h。

    native.vector.index_threads

    创建底层索引时所使用的线程数,每个shard均会使用多个构建线程。该值建议不要设置过大,避免产生过多的构建线程抢占查询资源。

    默认值:4。

(可选)预构建与注册中心点向量

当创建向量索引时选择使用“IVF_GRAPH”“IVF_GRAPH_PQ”的索引算法,则需要对中心点向量进行预构建和注册。

在向量索引加速算法中,“IVF_GRAPH”“IVF_GRAPH_PQ”适用于超大规模场景。这两种算法需要通过对子空间的切割缩小查询范围,子空间的划分通常采用聚类或者随机采样的方式。在预构建之前,需要通过聚类或者随机采样得到所有的中心点向量。通过预构建和注册将中心点向量预构建成GRAPH或者GRAPH_PQ索引,同时注册到CSS集群内,实现在多个节点间共享此索引文件。中心点索引在shard间复用能够有效减少训练的开销、中心点索引的查询次数,提升写入以及查询的性能。

  1. 选择启用向量检索的集群,单击操作列“Kibana”,登录Kibana界面。
  2. 单击左侧导航栏的“Dev Tools”,进入操作界面。
  3. 创建中心点索引表。
    • 创建的索引命名为my_dict,注意该索引的number_of_shards数必须设置为1,否则无法注册。
    • 当需要使用IVF_GRAPH索引时,中心点索引的algorithm设置为GRAPH。
    • 当需要使用IVF_GRAPH_PQ索引时,中心点索引的algorithm设置为GRAPH_PQ。
    PUT my_dict 
     { 
       "settings": { 
         "index": { 
           "vector": true 
         }, 
         "number_of_shards": 1, 
         "number_of_replicas": 0 
       }, 
       "mappings": { 
         "properties": { 
           "my_vector": { 
             "type": "vector", 
             "dimension": 2, 
             "indexing": true, 
             "algorithm": "GRAPH", 
             "metric": "euclidean" 
           } 
         } 
       } 
     }
  4. 写入中心点向量数据。

    参考导入向量数据将采样或者聚类得到的中心点向量写入上述创建的my_dict索引中。

  5. 调用注册接口。

    将上述创建的my_dict索引注册具有全局唯一标识名称(dict_name)的Dict对象。

    PUT _vector/register/my_dict 
     { 
       "dict_name": "my_dict" 
     }
  6. 创建IVF_GRAPH或IVF_GRAPH_PQ索引。

    在创建IVF_GRAPH或者IVF_GRAPH_PQ索引时,不再需要指定dimension以及metric信息,只需指定之前注册好的dict名称即可。

    PUT my_index 
     { 
       "settings": { 
         "index": { 
           "vector": true,
           "sort.field": "my_vector.centroid" # 将向量字段的centroid子字段设置为排序字段
         } 
       }, 
       "mappings": { 
         "properties": { 
           "my_vector": { 
             "type": "vector", 
             "indexing": true, 
             "algorithm": "IVF_GRAPH", 
             "dict_name": "my_dict", 
             "offload_ivf": true 
           } 
         } 
       } 
     }
    表2 Field mappings参数

    参数

    说明

    dict_name

    指定依赖的中心点索引名称。该索引字段的向量维度和度量方式将与dict索引保持一致,不再需要额外指定。

    offload_ivf

    将底层索引实现的IVF倒排索引卸载到ES端实现,可以减少堆外内存的使用,以及减少写入/合并的性能开销。建议设置为true。

    取值范围:true、false。

    默认值:false。

创建向量索引

  1. 登录云搜索服务管理控制台。
  2. “集群管理”页面,选择需要启用向量检索的集群,单击操作列“Kibana”,登录Kibana界面。
  3. 单击左侧导航栏的“Dev Tools”,执行如下命令创建向量索引。

    创建一个名为“my_index”的索引,该索引包含一个名为“my_vector”的向量字段和一个名为“my_label”的文本字段。其中,向量字段创建了GRAPH图索引,并使用欧式距离作为相似度度量。

    PUT my_index 
    {
      "settings": {
        "index": {
          "vector": true
        }
      },
      "mappings": {
        "properties": {
          "my_vector": {
            "type": "vector",
            "dimension": 2,
            "indexing": true,
            "algorithm": "GRAPH",
            "metric": "euclidean"
          },
          "my_label": {
            "type": "keyword"
          }
        }
      }
    }
    表3 创建索引参数说明

    类型

    参数

    说明

    Index settings参数

    vector

    当需要使用向量索引加速时,需要设置该值为true。

    vector.exact_search_threshold

    用于设置在搜索过程中,从前置过滤搜索切换到暴力搜索的中间结果集大小的阈值控制参数。

    当Segment中过滤后的中间结果集的数量小于该参数值时,则执行暴力搜索。

    默认值为“null”,即不会切换为暴力搜索。

    Field mappings参数

    type

    字段类型,“vector”表示该字段为向量字段。

    dimension

    向量数据维度。取值范围:[1, 4096]。

    indexing

    是否开启向量索引加速。

    可选值:
    • false:表示关闭向量索引加速,向量数据仅写入docvalues,只支持使用ScriptScore以及Rescore进行向量查询。
    • true:表示开启向量索引加速,系统将创建额外的向量索引,索引算法由"algorithm"字段指定,写入数据后可以使用VectorQuery进行查询。

    默认值:false。

    lazy_indexing

    仅在indexing为true,且集群版本不低于Elasticsearch 7.10.2、集群镜像版本号不低于7.10.2_24.3.3_*的情况下,配置lazy_indexing才会生效。

    是否开启向量索引延迟构建,仅用于离线构建场景。

    可选值:

    • false:不开启。
    • true:开启延迟构建,此时写入向量数据时,集群不实时创建向量索引结构(比如图索引),而是在数据写入后执行离线构建,再开始创建向量索引结构。构建完成后才可使用VectorQuery进行查询。

    algorithm

    索引算法。仅当“indexing”“true”时生效。

    可选值:
    • FLAT:暴力计算,目标向量依次和所有向量进行距离计算,此方法计算量大,召回率100%。适用于对召回准确率要求极高的场景。
    • GRAPH:图索引,内嵌深度优化的HNSW算法,主要应用在对性能和精度均有较高要求且单shard中文档数量在千万个以内的场景。
    • GRAPH_PQ:将HNSW算法与PQ算法进行了结合,通过PQ降低原始向量的存储开销,能够使HNSW轻松支撑上亿规模的检索场景。
    • IVF_GRAPH:算法将IVF与HNSW结合,对全量空间进行划分,每一个聚类中心向量代表了一个子空间,极大地提升检索效率,同时会带来微小的检索精度损失。适用于数据量在上亿以上同时对检索性能要求较高的场景。
    • IVF_GRAPH_PQ:PQ算法与IVF-HNSW的结合,PQ可以通过配置选择与HNSW结合和IVF结合,进一步提升系统的容量并降低系统开销,适用于shard中文档数量在十亿级别以上同时对检索性能要求较高的场景。
    默认值:GRAPH。
    说明:

    当选择IVF_GRAPH或者IVF_GRAPH_PQ索引时,需要额外进行预构建中心点索引以及注册等步骤,具体内容请参考(可选)预构建与注册中心点向量

    其他可选参数

    当使用向量索引加速时(即“indexing”“true”时),为了获得更高的查询性能以及查询精度,CSS提供了与向量索引相关的可选参数配置,参数说明请参见表4

    metric

    计算向量之间距离的度量方式。

    可选值:

    • euclidean:欧式距离。
    • inner_product:内积距离。
    • cosine:余弦距离。
    • hamming:汉明距离,仅支持设置"dim_type"为"binary"时使用。

    默认值:euclidean。

    dim_type

    向量维度值的类型。

    可选值:binary、float(默认)。

    表4 可选参数说明

    类型

    参数

    说明

    GRAPH类索引配置参数

    neighbors

    图索引中每个向量的邻居数,默认值为64,值越大查询精度越高。索引越大,构建速度以及后续的查询速度也会变慢。

    取值范围:[10, 255]。

    shrink

    构建hnsw时的裁边系数,默认值1.0f。

    取值范围:(0.1, 10)。

    scaling

    构建hnsw时上层图节点数的缩放比例,默认值50。

    取值范围:(0, 128]。

    efc

    构建hnsw时考察邻居节点的队列大小,默认值为200,值越大精度越高,构建速度将会变慢。

    取值范围:(0, 100000]。

    max_scan_num

    扫描节点上限,默认值为10000,值越大精度越高,索引速度变慢。

    取值范围:(0, 1000000]。

    PQ类索引配置参数

    centroid_num

    每一段的聚类中心点数目,默认值为255。

    取值范围:(0, 65535]。

    fragment_num

    段数,默认值为0,插件自动根据向量长度设置合适的段数。

    取值范围:[0, 4096]。

导入向量数据

执行如下命令,导入向量数据。向“my_index”索引中写入向量数据时,需要指定向量字段名称和向量数据。

  • 向量数据输入格式为逗号分隔的浮点型数组时:
    POST my_index/_doc
    {
      "my_vector": [1.0, 2.0]
    }
  • 向量数据输入格式为小端字节序编码的Base64字符串时:
    在写入二值向量,或向量维度较高、数值有效位较多时,使用Base64编码格式传输、解析更加高效。
    POST my_index/_doc
    {
      "my_vector": "AACAPwAAAEA="
    }
  • 当写入大规模数据时,建议使用Bulk操作:
    POST my_index/_bulk
    {"index": {}}
    {"my_vector": [1.0, 2.0], "my_label": "red"}
    {"index": {}}
    {"my_vector": [2.0, 2.0], "my_label": "green"}
    {"index": {}}
    {"my_vector": [2.0, 3.0], "my_label": "red"}

(可选)离线构建

离线构建API仅适用于业务无实时性要求的场景,要求集群版本大于或等于Elasticsearch 7.10.2,且集群镜像版本号大于或等于7.10.2_24.3.3_*。

Elasticsearch使用类LSM-Tree写入模型,数据持续写入和更新的过程中会生成大量小的索引段,并通过后台合并任务不断合并成大的索引段,以提供更优的查询性能。由于向量索引的构建是计算密集型的,向量数据写入过程频繁的合并任务会消耗更多的CPU资源。因此,在数据实时性要求不高的场景,建议设置向量字段的“lazy_indexing”参数为“true”开启索引延迟构建,当全量数据写入完成后,再调用离线构建API完成向量索引的最终构建。使用离线构建功能可以有效减少合并过程中向量索引的重复构建,能够端到端提升写入和索引合并的性能。

离线构建的执行流程包含两个步骤:

  1. 合并索引段。
  2. 基于最终的索引段构建向量索引。

离线构建API的接口格式如下:

POST _vector/indexing/{index_name}
{
  "field": "{field_name}"
}

其中,{index_name}为需要构建索引的索引名称,{field_name}为向量字段名称且该字段必须已经配置了“lazy_indexing”“true”

说明:

当开启了lazy_indexing延迟构建索引的向量字段,在写入数据后未调用离线构建API,则索引无法正常执行VectorQuery标准查询,该查询请求将会返回错误码500,错误信息中包含“Load native index failed exception”。此时,建议先执行离线构建再查询。

我们使用cookie来确保您的高速浏览体验。继续浏览本站,即表示您同意我们使用cookie。 详情

文档反馈

文档反馈

意见反馈

0/500

标记内容

同时提交标记内容