规格计算器

使用规格计算器

在向量检索版购买页面，单击规格计算器。

打开OpenSearch向量检索版规格计算器对话框，包含基础情况、向量数据情况和查询情况三个配置区域，填写完成后单击进行运算获取推荐规格。

基础情况

1. 实例所在区域：需要创建引擎的区域。

2. 是否有容灾需求：是否需要容灾，可下拉选择有或无。

向量数据情况

1. 向量数据条数：写入引擎的向量数据条数。

2. 向量维度：写入引擎的向量维度。

3. 向量算法：根据需求选择，目前支持以下三种算法。

• HNSW：基于图的向量检索算法，召回率极高且性能好，内存及存储占用与 Linear 相当，在低维度和高维度向量数据集上均有很好的表现，适用于大多数向量检索场景。

• QC：基于量化聚类的向量检索算法，召回结果正确率极高，占用资源较少，性能较好。在低维度向量数据集上有更好表现，内存及存储占用一般只有 Linear 和 HNSW 的 1/4，适用于对召回率没有严苛要求的大数据量检索场景。

• Linear：线性检索（暴力检索），召回结果完全正确，但占用资源多且性能较差，通常适用于小数据集（1 万条数据量以内）的精确检索。

查询情况

1. 平均 QPS：接入引擎的流量 QPS。

2. 期望搜索平均响应时间：期望的召回结果平均耗时，单位可选 s 或 ms。

填写完成后，单击进行运算。

推荐结果包括查询节点规格族、查询节点数量、查询节点规格、数据节点规格族、数据节点数量、数据节点规格以及单数据节点存储空间/磁盘空间等参数，根据推荐结果购买对应规格的资源。

HNSW Benchmark 数据

以下测试数据基于公开数据集，使用引擎版本 vector_service 1.5.9，采用 1 个查询节点 + 1 个云盘型数据节点的配置组合。建图参数：M = 100，ef-construction = 500。

数据节点内存水位与性能的关系

以下测试使用 Cohere 768D 数据集，搭配 4C16G 查询节点 + 4C32G 云盘型数据节点，索引结构为 HNSW（InnerProduct，ef-construction = 500，M = 100）。通过分步插入数据（每次 1M 条）观察内存水位对 QPS 的影响。

典型配置会将向量索引、PK 索引和倒排索引以 mlock 方式锁定在物理内存中，以获得最低的检索延迟。其他数据（attribute、summary 等）不做 mlock，依赖 OS page cache 按需加载。当内存水位上升，page cache 被压缩，读取 attribute 时频繁触发缺页中断，导致延迟上升：

• 水位 > 70%：QPS 急剧下降。

• 水位 > 80%：服务近乎不可用。

IVF_SQ8 Benchmark 数据

以下测试使用 Cohere 768D 10M 数据集，搭配 4C16G 查询节点 + 4C32G 云盘型数据节点。

建图参数：

{
  "proxima.qc.builder.quantizer_class": "Int8QuantizerConverter",
  "proxima.qc.builder.quantize_by_centroid": true,
  "proxima.qc.builder.optimizer_class": "BruteForceBuilder",
  "proxima.qc.builder.thread_count": 10,
  "proxima.qc.builder.optimizer_params": {
    "proxima.linear.builder.column_major_order": true
  },
  "proxima.qc.builder.store_original_features": false,
  "proxima.qc.builder.train_sample_count": 3000000,
  "proxima.qc.builder.train_sample_ratio": 0.5
}

串行测试：召回率和延迟

并发性能测试：分步插入

将 10M 条 768 维向量数据分步插入实例，观察不同数据量对应的索引大小和查询 QPS 的变化。