Fork me on GitHub

本助手集算力、智能于一身，为您提供最精彩全面的人工智能技术资讯
      •  0 回帖  •  1.1K 浏览  •  1 年前
   

基于 Milvus 的向量检索平台实践

背景

随着计算机技术及机器学习技术的发展，特征向量作为一种多媒体数据（文本、语音、图片、视频）的描述方式，逐渐成熟起来，而向量检索（向量相似计算）也逐渐成为一种通用的需求。

向量检索在之家拥有非常广泛的应用场景，如推荐在线业务非明文召回场景，相似视频/图片/音频去重场景等等。截止到22年初，业务方部署了9个向量检索引擎去检索向量数据。随着向量检索需求增加，与之俱来了很多问题：

  • 资源浪费
    每个业务线都会搭建自己的向量检索引擎，资源没有统一管理，会出现不必要的资源浪费。
  • 维护成本
    维护向量检索引擎会有一些技术门槛，业务方无法专心于处理业务，且Vearch社区不活跃，基本上碰到问题都需要业务方自己去解决或者想办法绕过。
  • 开发成本
    为了适配新的召回需求，每次上线新的向量接入需求都需要业务方定制化开发。无法更敏捷地支持在线业务的需求变更。
  • 性能
    Vearch的性能也越来越满足不了在线业务的需求，导致在线召回项目有较高的超时率，影响线上实验及模型效果。

技术选型

之家数据开发团队在22年初开始筹备搭建向量检索平台，经过一系列开源方案的调研选型后，我们最终选择了Milvus作为向量检索平台的底层引擎。Milvus出色的架构无论是在稳定性，高可用性，可维护性，功能性及性能都有非常不错的表现。

图片

我们来看下Milvus2.x版本的架构实现特点：

  • 微服务
    Milvus将服务拆成多个角色，每个角色职责划分相对独立，这样每个角色的源码阅读起来非常容易。简单介绍下Milvus的角色职责：

    • ETCD:负责存储元数据
    • 对象存储:负责存储向量数据
    • Proxy:Milvus统一的访问层
    • DataNode/DataCoord: 负责向量的写入
    • IndexNode/IndexCoord:负责向量索引的构建
    • QueryNode/QueryCoord : 负责向量的查询
    • RootCoord: 负责处理DDL去协调其他Coord，全局时间分发，维护当前元数据快照
      其中IndexNode/QueryNode/DataNode 这些角色是实际工作的Woker节点，IndexCoord/QueryCoord/DataCoord 是负责协调Woker节点，及将任务handoff其他角色的节点。

  • 支持云原生
    Milvus 服务本身是没有状态的，数据存储在对象存储，元数据会存放在ETCD。原生支持K8s部署集群部署，我们可以根据集群或者个别角色的负载去动态扩缩资源。

  • 向量操作读/写/建索引之间进程级别隔离

    如上图，向量 读/写/建索引都是通过不同的节点完成，这样操作之间都是通过进程之间隔离，不会抢占资源，相互影响。

此外，Milvus还可以在查询的时候指定不同的一致性级别。在真实的业务场景中，一致性要求越强，查询对应的响应时间也会变长。用户可以根据自己的需求选择不同的一致性级别。除了Milvus出色的架构能力之外，Milvus非常活跃的社区及其背后优秀的商业公司Zilliz也是我们选择Milvus的重要原因。

向量检索平台介绍

目前向量检索平台已经日益成熟，支持了30多个离在线需求。在性能，稳定性，资源节约方面都非常不错的提升。

图片

基础设施

部署

我们通过改造Milvus 原生的部署方式，将Milvus集群部署在之家云K8s集群中。因为Milvus服务本身是无状态的，在K8s上，我们可以根据业务的查询写入需求，灵活地扩缩Milvus的服务节点，节约服务器成本。

图片

监控/日志

我们将监控/历史日志采集到Prometheus/ES ，可以非常方便的通过监控日志定位问题，配置报警。

图片

索引的选择

  • IVF-FLAT 倒排索引

    IVF-FLAT适合数据量较小的集合，在我们的测试场景中，十万级别的数据使用IVF-FLAT索引可以得到很好的查询性能。通过调整构建索引参数nlist和查询参数nprobe，在召回准确率和召回性能之间找到适合业务需求的平衡点。

  • HNSW 图索引

    图索引在大数据量集合的情况下，相较IVF-FLAT可以提供更快的查询性能，但是也会使用更多的内存。目前之家推荐召回主要使用的是IVF-FLAT索引，而对于基础数据量比较大的搜索数据，HNSW索引可以提供更高的性能。

副本、分片的选择

不同的分片数和副本数，对于高并发下的查询性能有显著影响：

  • 对于小数据量集合（十万数量级）推荐使用一个分片即可，可以通过扩展副本数，提高集合的并发能力，从而提高查询QPS。如将副本数设置与QueryNode节点数量一致，可以充分利用每一个QueryNode。
  • 对于千万级别的大集合比较容易受到资源限制（内存占用），一般无法设置太多副本。可以先通过Milvus官方提供的计算工具（https://milvus.io/tools/sizing/）评估大概会占用的内存，再根据quernNode节点的实际情况确定分片数量。

容量规划

下图是我们的压测报告，经过一系列的压测我们得出结论：

（数据量：109780；索引：lvf-flat；1分片，10副本，查询参数：nlist 1024，size200，noprob 50）

  1. 每个querynode（12核16GB）可支持500QPS
  2. 每个Proxy（4核8G）可支持1200QPS
  3. querynode与Proxy比例建议为2：1
  4. 向量平台每个实例可以支持3500QPS
  5. 小数据量（<10万） 场景下，建议1分片多副本。分片数过多会导致性能下降
  6. 以上场景下，cpu消耗均低于60%，内存占用低于10%且没有持续增长的趋势

图片

平台对Milvus的一些优化

之前提到我们选择Milvus的一个重要原因就是Milvus非常活跃的社区和背后优秀的商业公司，我们反馈的问题都会有社区的运营跟进。在我们对Milvus不熟悉时，社区的同学会专门来之家为我们解惑，协助我们上线。在享受社区的开源红利的同时，我们在熟悉Milvus的过程中还会向社区贡献我们对Milvus的改进：

此外在之家内部还有些通用性低或者抽象得不太完善的实现，后面完善后会和社区讨论是否可以贡献给社区，下面分享两处查询性能方面的优化。在我们的测试场景下，在各组件CPU使用率正常的情况下，查询索引的性能比较稳定，但经过各组件之间的RPC通信后，TP99 就会变得比较高，基本在 100 ms 以上，在网络环境差的场景影响尤为明显。以下两处优化本质都是减少RPC请求次数，避免因网络抖动导致TP99飙高。

1.弱一致性查询不去访问RootCoord获取时间戳

背景:

  1. Milvus写入的数据和RoodCoord发送的心跳都会带有RooCoord的时间戳，会写到logbroker里面 ，QueryNode会消费数据里的时间戳更新servicetime t1。
  2. 在做强一致性查询时也会向RootCoord查询时间戳 t2。
  3. QueryNode只有在 t2>t1 之后，才能确保要查询的数据都到齐了之后将查询到的数据返回给 Proxy。

图片

优化:

目前在弱一致性的场景也会向RootCoord同步时间，这个时间并没有应用在QueryNode， 仅仅是用来做msgID，在日志里追踪查询行为。因此在弱一致性场景我们在Proxy本地做了时间戳分发，不会再去请求RootCoord。这样可以减少一次RPC请求，避免网络原因导致查询tp99较高的问题。

2.QueryCoord分配Segment时优先分配给这个副本的shardleader节点

背景:

我们接着介绍下背景：如图我们看到的是一个集合某一个副本下两个分片的查询场景。

  1. 其中Proxy会分别去QueryNode请求两个分片的leader
  2. 由于分配Segment是基于QueryNode持有向量的行数做均衡分配的，每个shard的Segment可能会被分配到不同的QueryNode上
  3. 所以shard leader需要去其他QueryNode Search Segment，会额外多一次RPC的开销

图片

优化:

针对特别大的数据量集合的场景，Segment在QueryNode之间负载均衡是非常有必要的。我们存在一些在线业务场景数据量很小，只会占据很少的资源。但是对查询延迟有极高的要求。因此我们就在QueryCoord分配Segment时，关闭了rebalance checker，将Segment分配到ShardLeader所在的机器。这样就不会有QueryNode之间的查询了。

图片

应用案例

推荐非明文召回：

非明文召回服务良好的支撑了用户长短期兴趣召回模型、双塔召回模型、冷启动召回模型等23个算法向量模型数据生产及24路非明文召回。

主要流程：

  1. 加工好的向量数据写到Hive
  2. 配置调度任务将Hive数据定期同步到Milvus的AB表中
  3. 在北斗系统定制召回及策略融合策略，就可以上线召回模型

最后说一下刚才说到的AB表功能，向量平台平台目前提供两种数据更新方式，增量更新和用过AB表的方式全量更新。增量更新方式适用于业务数据不断增长，必须以全量数据作为基础数据为业务提供向量检索。比如，图片、文本、视频、音频去重业务。全量更新适用于算法小数据实验，可以快速看到实验效果，每次实验数据数据会自动隔离，不会相互影响。全量更新可以精确到天、小时、分钟级别，可以满足算法不同需求。下图是AB表的流程，每5分钟调度任务会全量同步Hive中模型加工好的向量数据，待所有数据写完，索引构建成功，就会通知向量平台从查询旧表（图中collection12091610）切换到新表（collection12091815）。

图片

收益:

  • 性能方面
    召回超时率较Vearch下降了3-7倍
    平响较Vearch下降了55%
  • 简化向量接入流程
    接入全面配置化，取代了Vearch产品需要代码开发的发布方式，上线效率提升至少1倍

后续规划

  1. Milvus的Upsert功能未Release，目前有部分数据量特别大的业务会强依赖这个功能。
  2. 部分去重场景需要强一致性查询，但是目前强一致的查询延迟较高，需要和社区一起探讨优化思路。

作者简介

图片

王刚

■ C端及中台产研中心-数据平台部-计算平台组。

■ 毕业于沈阳航空航天大学计算机科学与技术专业。2018年加入汽车之家，重新设计并开发了日志采集平台；19-20年设计开发了基于Apache Flink的实时计算平台、实时接入平台；21年开始探索并落地湖仓一体架构，主导Apache Iceberg的集成和优化工作；22年开始参与落地基于Milvus的向量检索平台。喜欢技术探索，擅长定位及解决工作中遇到的各种疑难杂症。


本文地址：https://www.6aiq.com/article/1671337409850
本文版权归作者和AIQ共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出