SingleStore vs Aerospike: AI 앱에 적합한 벡터 데이터베이스 선택하기
벡터 데이터베이스란 무엇인가요?
SingleStore와 Aerospike를 비교하기 전에, 먼저 벡터 데이터베이스의 개념을 살펴보겠습니다.
벡터 데이터베이스는 고차원 벡터를 저장하고 쿼리하도록 특별히 설계되었으며, 이는 비정형 데이터의 수치적 표현입니다. 이러한 벡터는 텍스트의 의미론적 의미, 이미지의 시각적 특징, 제품 속성과 같은 복잡한 정보를 인코딩합니다. 효율적인 유사도 검색을 가능하게 함으로써, 벡터 데이터베이스는 AI 애플리케이션에서 핵심적인 역할을 하며 더 고급 데이터 분석과 검색을 가능하게 합니다.
벡터 데이터베이스의 일반적인 사용 사례에는 전자상거래 제품 추천, 콘텐츠 발견 플랫폼, 사이버 보안의 이상 탐지, 의료 이미지 분석, 자연어 처리(NLP) 작업이 포함됩니다. 또한 대규모 언어 모델 (LLMs)에 외부 지식을 제공하여 AI 환각과 같은 문제를 줄이고 성능을 향상시키는 기술인 Retrieval Augmented Generation(RAG)에서도 중요한 역할을 합니다.
시장에는 다음을 포함하여 다양한 유형의 벡터 데이터베이스가 있습니다:
- 목적 특화 벡터 데이터베이스 예: Milvus, Zilliz Cloud (완전 관리형 Milvus)
- 벡터 검색 라이브러리 예: Faiss 및 Annoy.
- 경량 벡터 데이터베이스 예: Chroma 및 Milvus Lite.
- 소규모 벡터 검색을 수행할 수 있는 벡터 검색 애드온이 포함된 전통적인 데이터베이스.
SingleStore는 분산형 관계형 SQL 데이터베이스 관리 시스템이며, Aerospike 역시 분산형 확장 가능 NoSQL 데이터베이스입니다. 둘 다 애드온으로 벡터 검색을 제공합니다. 이 글에서는 이들의 벡터 검색 기능을 비교합니다.
SingleStore: 개요 및 핵심 기술
SingleStore는 벡터 검색을 데이터베이스 자체에 넣어 가능하게 했기 때문에, 기술 스택에 별도의 벡터 데이터베이스가 필요하지 않습니다. 벡터는 일반 데이터베이스 테이블에 저장될 수 있으며 표준 SQL 쿼리로 검색할 수 있습니다. 예를 들어, 가격 범위로 필터링하면서 유사한 제품 이미지를 검색하거나 결과를 특정 부서로 제한하면서 문서 임베딩을 탐색할 수 있습니다. 이 시스템은 벡터 인덱스에 대해 FLAT, IVF_FLAT, IVF_PQ, IVF_PQFS, HNSW_FLAT, HNSW_PQ를 사용한 의미론적 검색과 유사도 매칭을 위한 내적 및 유클리드 거리를 모두 지원합니다. 이는 유사도 매칭이 빠른 추천 시스템, 이미지 인식, AI 챗봇과 같은 애플리케이션에 매우 유용합니다.
핵심적으로 SingleStore는 성능과 확장성을 위해 구축되었습니다. 데이터베이스는 여러 노드에 데이터를 분산하므로 대규모 벡터 데이터 작업을 처리할 수 있습니다. 데이터가 증가하면 노드를 더 추가하기만 하면 됩니다. 쿼리 프로세서는 벡터 검색을 SQL 작업과 결합할 수 있으므로 여러 개의 별도 쿼리를 만들 필요가 없습니다. 벡터 전용 데이터베이스와 달리 SingleStore는 이러한 기능을 완전한 데이터베이스의 일부로 제공하므로 여러 시스템을 관리하거나 복잡한 데이터 전송을 처리하지 않고도 AI 기능을 구축할 수 있습니다.
벡터 인덱싱을 위해 SingleStore에는 두 가지 옵션이 있습니다. 첫 번째는 쿼리 벡터에 대해 정확한 k개의 최근접 이웃 집합을 찾는 정확한 k-최근접 이웃(kNN) 검색입니다. 그러나 매우 큰 데이터셋이나 높은 동시성의 경우 SingleStore는 벡터 인덱싱을 사용한 근사 최근접 이웃(ANN) 검색도 지원합니다. ANN 검색은 정확한 kNN 검색보다 k개의 가까운 이웃을 훨씬 더 빠르게, 때로는 몇 자릿수 규모로 더 빠르게 찾을 수 있습니다. 속도와 정확도 사이에는 트레이드오프가 있습니다. ANN은 더 빠르지만 정확한 k개의 최근접 이웃 집합을 반환하지 않을 수 있습니다. 대화형 응답 시간이 필요하고 절대적인 정밀도가 필요하지 않은 수십억 개의 벡터를 가진 애플리케이션에는 ANN 검색이 적합합니다.
SingleStore에서 벡터 인덱스의 기술적 구현에는 특정 요구 사항이 있습니다. 이러한 인덱스는 columnstore 테이블에만 생성할 수 있으며 벡터 데이터를 저장하는 단일 열에 생성해야 합니다. 시스템은 현재 Vector Type(dimensions[, F32]) 형식을 지원하며, F32는 유일하게 지원되는 요소 유형입니다. 이러한 구조화된 접근 방식은 대규모 언어 모델의 벡터를 사용하는 의미 검색, 집중적인 텍스트 생성을 위한 검색 증강 생성(RAG), 벡터 임베딩 기반 이미지 매칭과 같은 애플리케이션에 SingleStore를 매우 적합하게 만듭니다. 이를 전통적인 데이터베이스 기능과 결합함으로써 SingleStore는 개발자가 성능과 확장성을 유지하면서 SQL 구문을 사용해 복잡한 AI 애플리케이션을 구축할 수 있게 합니다.
Aerospike: 개요 및 핵심 기술
Aerospike는 고성능 실시간 애플리케이션을 위한 NoSQL 데이터베이스입니다. 벡터 인덱싱 및 검색 지원을 추가했기 때문에 벡터 데이터베이스 사용 사례에 적합합니다. 벡터 기능은 Aerospike Vector Search (AVS)라고 하며 Preview 상태입니다. Aerospike에 조기 액세스를 요청할 수 있습니다.
AVS는 벡터 검색을 위해 Hierarchical Navigable Small World (HNSW) 인덱스만 지원합니다. AVS에서 업데이트 또는 삽입이 이루어지면 벡터를 포함한 레코드 데이터가 Aerospike Database (ASDB)에 기록되고 즉시 표시됩니다. 인덱싱을 위해 각 레코드는 인덱스의 지정된 벡터 필드에 최소 하나의 벡터를 가지고 있어야 합니다. 단일 레코드에 여러 벡터와 인덱스를 가질 수 있으므로 동일한 데이터를 다양한 방식으로 검색할 수 있습니다. Aerospike는 upsert된 레코드를 특정 set에 할당하여 이를 모니터링하고 작업할 수 있도록 권장합니다.
AVS는 인덱스를 구축하는 독특한 방식이 있으며, 모든 AVS 노드에서 동시에 이루어집니다. 벡터 레코드 업데이트는 ASDB에 직접 기록되지만, 인덱스 레코드는 인덱싱 큐에서 비동기적으로 처리됩니다. 이는 배치로 수행되고 모든 AVS 노드에 분산되므로 AVS 클러스터의 모든 CPU 코어를 사용하며 확장 가능합니다. 수집 성능은 호스트 메모리와 스토리지 계층 구성에 크게 의존합니다.
인덱싱 큐의 각 항목에 대해 AVS는 인덱싱을 위해 벡터를 처리하고, 각 벡터에 대한 클러스터를 구축한 뒤 이를 ASDB에 커밋합니다. 인덱스 레코드에는 벡터 자체의 복사본과 HNSW 그래프의 특정 계층에서 해당 벡터에 대한 클러스터가 포함됩니다. 인덱싱은 단일 명령어, 다중 데이터 병렬 처리를 위해 vector extensions (AVX)를 사용합니다.
AVS는 클러스터의 레코드들이 상호 연결되어 있기 때문에 수집 중에 인덱스 캐시를 “pre-hydrate”하기 위해 쿼리합니다. 이러한 쿼리는 쿼리 요청으로 계산되지 않지만 스토리지 계층에 대한 읽기로 나타납니다. 이렇게 하면 캐시에 관련 데이터가 채워지고 쿼리 성능을 향상시킬 수 있습니다. 이는 AVS가 벡터 데이터를 처리하고 유사도 검색을 위한 인덱스를 구축하여 고차원 벡터 검색에 맞게 확장할 수 있는 방식을 보여줍니다.
주요 차이점
검색 방법론
SingleStore에는 FLAT, IVF_FLAT, IVF_PQ, IVF_PQFS, HNSW_FLAT, HNSW_PQ 등 여러 벡터 인덱스 옵션이 있습니다. 이를 통해 정확한 일치부터 근사 최근접 이웃까지 다양한 사용 사례에 맞는 옵션을 선택할 수 있습니다. Aerospike Vector Search(AVS)는 HNSW 인덱스만 지원합니다. HNSW는 많은 경우에 적합하지만, SingleStore의 더 폭넓은 인덱싱 옵션은 검색에서 속도-정확도 절충을 더 잘 제어할 수 있게 해줍니다.
데이터와 통합
SingleStore는 SQL 데이터베이스에 벡터 검색이 내장되어 있습니다. 벡터 검색을 표준 SQL 쿼리와 결합할 수 있으므로 가격이나 카테고리 같은 일반 데이터 필드로 결과를 필터링할 수 있습니다. 하나의 데이터베이스가 벡터와 전통적인 데이터 요구 사항을 모두 처리합니다. Aerospike는 고성능 실시간 애플리케이션에 초점을 맞춘 NoSQL 접근 방식을 취합니다. 그 벡터 검색 기능(AVS)은 더 새롭고 현재 Preview 상태이며, Aerospike의 early access가 필요합니다.
확장성과 성능
두 데이터베이스는 서로 다른 방식으로 확장됩니다. SingleStore는 데이터가 증가함에 따라 노드를 추가할 수 있는 분산 아키텍처를 갖추고 있습니다. 쿼리 프로세서는 벡터와 SQL 작업을 단일 쿼리로 결합합니다. Aerospike의 AVS는 모든 노드에서 동시에 인덱스 구축을 처리하고, 병렬 처리를 위해 벡터 확장을 사용합니다. 또한 쿼리 성능을 개선하기 위해 인덱스 캐시를 미리 하이드레이트합니다. 수집 성능은 호스트 메모리와 스토리지 구성에 크게 좌우됩니다.
구현의 유연성
SingleStore는 벡터 인덱스를 columnstore 테이블과 벡터 데이터를 저장하는 단일 컬럼에 생성해야 하며, 현재 F32 요소 유형만 지원합니다. Aerospike는 단일 레코드에 대해 여러 벡터와 인덱스를 허용하여 데이터를 검색하는 방식에서 더 많은 유연성을 제공합니다. 하지만 Aerospike는 모니터링을 위해 upsert된 레코드를 특정 세트에 할당하는 것과 같은 구체적인 관행을 권장합니다.
사용 편의성과 통합
SingleStore는 벡터와 전통적인 쿼리 모두에 표준 SQL 구문을 사용하므로 SQL에 익숙한 팀에게 더 매력적일 수 있습니다. 이는 SQL에 능숙한 개발자의 학습 곡선을 줄여줄 수 있습니다. Aerospike의 NoSQL 접근 방식은 전통적인 SQL 데이터베이스에 익숙한 팀에게는 더 많은 학습이 필요할 수 있지만, 이미 NoSQL 시스템으로 작업하는 팀에게는 장점이 될 수 있습니다.
사용 시점
SingleStore는 하나의 시스템에서 전통적인 데이터베이스 작업과 벡터 검색이 모두 필요한 애플리케이션에 적합합니다. 가격 필터링이 포함된 제품 유사도 검색이 필요한 이커머스 플랫폼이나, 사용자 선호도와 콘텐츠 메타데이터를 결합하는 콘텐츠 추천 시스템처럼, 벡터와 함께 구조화된 데이터를 보유한 프로젝트에 완벽합니다. 벡터 작업에 익숙한 SQL 구문을 사용할 수 있으므로, 별도의 벡터 데이터베이스를 관리하지 않고 AI 기능을 추가하려는 SQL 전문성을 가진 팀에게 훌륭한 선택입니다.
Aerospike는 속도가 중요한 고성능 실시간 애플리케이션에 가장 적합합니다. 동시 인덱스 구축과 미리 하이드레이트된 캐시는 실시간 추천 엔진이나 라이브 이미지 유사도 검색 같은 사용 사례에 적합합니다. 레코드당 여러 벡터를 보유할 수 있다는 점은 텍스트와 이미지를 모두 처리하는 멀티모달 AI 시스템이나 동일한 콘텐츠에 서로 다른 임베딩 모델을 사용하는 시스템처럼, 동일한 데이터에 대해 다른 벡터 표현이 필요한 애플리케이션에 유용합니다.
결론
SingleStore와 Aerospike 중 선택은 요구 사항에 달려 있습니다. SingleStore는 전통적인 데이터베이스 작업과 벡터 검색을 결합하는 데 뛰어나며, 여러 인덱스 유형과 SQL 통합을 제공합니다. Aerospike는 HNSW 구현과 동시 처리를 갖춘 고성능 실시간 작업에 적합합니다. 결정은 기존 기술 스택, 팀 전문성(SQL vs NoSQL), 실시간 요구 사항, 그리고 전통적인 데이터 유형과 결합된 쿼리가 필요한지 여부를 기반으로 해야 합니다. 또한 Aerospike의 벡터 검색은 더 새롭고 preview 상태인 반면, SingleStore는 더 성숙한 벡터 검색 솔루션을 갖추고 있다는 점도 염두에 두세요.
SingleStore와 Aerospike에 대한 개요를 파악하려면 이 글을 읽어보세요. 하지만 이를 평가하려면 여러분의 사용 사례를 기준으로 평가해야 합니다. 이를 도울 수 있는 도구 중 하나가 벡터 데이터베이스 비교를 위한 오픈 소스 벤치마킹 도구인 VectorDBBench입니다. 결국, 자체 데이터셋과 쿼리 패턴으로 철저히 벤치마킹하는 것이 분산 데이터베이스 시스템에서 벡터 검색에 대한 이 두 가지 강력하지만 서로 다른 접근 방식 중 하나를 선택하는 데 핵심이 될 것입니다.
오픈 소스 VectorDBBench를 사용하여 직접 벡터 데이터베이스 평가 및 비교하기
VectorDBBench는 고성능 데이터 저장 및 검색 시스템, 특히 벡터 데이터베이스가 필요한 사용자를 위한 오픈 소스 벤치마킹 도구입니다. 이 도구를 사용하면 사용자는 자체 데이터셋을 사용하여 Milvus 및 Zilliz Cloud(관리형 Milvus)와 같은 다양한 벡터 데이터베이스 시스템을 테스트하고 비교하여 자신의 사용 사례에 맞는 것을 찾을 수 있습니다. VectorDBBench를 사용하면 사용자는 마케팅 주장이나 소문이 아니라 실제 벡터 데이터베이스 성능을 기반으로 의사 결정을 내릴 수 있습니다.
VectorDBBench는 Python으로 작성되었으며 MIT 오픈 소스 라이선스에 따라 라이선스가 부여되어 누구나 자유롭게 사용, 수정 및 배포할 수 있습니다. 이 도구는 기능과 성능 개선에 전념하는 개발자 커뮤니티에 의해 활발히 유지 관리되고 있습니다.
벤치마크 결과를 재현하거나 자체 데이터셋에서 성능 결과를 얻으려면 GitHub 저장소에서 VectorDBBench를 다운로드하세요.
VectorDBBench 리더보드에서 주요 벡터 데이터베이스의 성능을 빠르게 살펴보세요.
벡터 데이터베이스 평가에 대해 자세히 알아보려면 다음 블로그를 읽어보세요.
VectorDB, GenAI 및 ML에 대한 추가 리소스
계속 읽기
Introducing Business Critical Plan: Enterprise-Grade Security and Compliance for Mission-Critical AI Applications
Discover Zilliz Cloud’s Business Critical Plan—offering advanced security, compliance, and uptime for mission-critical AI and vector database workloads.
Will Amazon S3 Vectors Kill Vector Databases—or Save Them?
AWS S3 Vectors aims for 90% cost savings for vector storage. But will it kill vectordbs like Milvus? A deep dive into costs, limits, and the future of tiered storage.
1 Table = 1000 Words? Foundation Models for Tabular Data
TableGPT2 automates tabular data insights, overcoming schema variability, while Milvus accelerates vector search for efficient, scalable decision-making.
The Definitive Guide to Choosing a Vector Database
Overwhelmed by all the options? Learn key features to look for & how to evaluate with your own data. Choose with confidence.