Поддержка нескольких типов индексов в Milvus
Milvus — это векторная база данных с открытым исходным кодом с передовыми возможностями для поиска по сходству и приложений ИИ. Одна из важнейших возможностей Milvus — поддержка различных типов индексов; индексы помогают оптимизировать запросы к данным и их извлечение.
Типы индексов
В настоящее время Milvus поддерживает восемь типов индексов:
- FLAT: FLAT лучше всего подходит для сценариев, в которых требуются идеально точные и полные результаты поиска (100% полнота) на небольшом наборе данных масштаба миллионов. FLAT не сжимает векторы и является единственным индексом, гарантирующим точные результаты поиска. Результаты FLAT могут служить точкой сравнения для результатов, полученных другими индексами с полнотой менее 100%.
- IVF_FLAT: IVF_FLAT — это индекс на основе квантования, лучше всего подходящий для сценариев, в которых требуется идеальный баланс между точностью и скоростью запросов (низкоразмерные данные с менее чем 100 000 записей). IVF_FLAT — это система, которая делит векторные данные на кластеры и возвращает результаты поиска по сходству на основе сравнений между целевым вводом и векторами в наиболее похожем(их) кластере(ах). IVS_FLAT резко сокращает время запроса с учетом количества опрашиваемых кластеров. Обратите внимание, что IVF_FLAT не выполняет сжатия, поэтому создаваемые им индексные файлы имеют примерно тот же размер, что и исходные необработанные неиндексированные векторные данные.
- IV_SQ8: IVF_SQ8 — это индекс на основе квантования, который лучше всего подходит для сценариев, требующих значительного сокращения потребления дисковой памяти, CPU и GPU в ситуациях, когда эти ресурсы ограничены. IV_SQ8 может достигать этого, преобразуя каждый FLOAT (4 байта) в UINT8 (1 байт) путем выполнения скалярного квантования. Индекс IV_SQ8 подходит для сценариев с низкоразмерными данными с менее чем 100 000 записей.
- HNSW Index: Hierarchical Navigable Small World (HNSW) — это индекс на основе графа, лучше всего подходящий для сценариев с высокими требованиями к эффективности поиска. Этот индекс создает древовидную структуру для индексирования векторов. Поэтому он полезен, когда набор данных огромен (большой набор данных со многими измерениями) и требуется быстрый поиск. Он строит многоуровневую навигационную структуру для изображения согласно определенным правилам. В этой структуре верхние уровни более разрежены, и расстояния между узлами больше; нижние уровни более плотные, и расстояния между узлами меньше. Поиск начинается с самого верхнего уровня, находит на этом уровне узел, ближайший к цели, а затем переходит на следующий уровень, чтобы начать другой поиск. После нескольких итераций он может быстро приблизиться к целевой позиции.
- IVF_PQ: IVF_PQ — это индекс на основе квантования, лучше всего подходящий для сценариев, в которых требуется высокая скорость запросов к высокоразмерным данным даже ценой точности. Он равномерно разлагает высокоразмерное векторное пространство на декартовы произведения низкоразмерных векторных пространств, затем квантует низкоразмерные векторные пространства. Продуктовое квантование вычисляет расстояния между целевым вектором и центром кластеризации каждого низкоразмерного пространства, снижая временную и пространственную сложность. Индексный файл IVF_PQ меньше (и менее точен), чем IVF_SQ8.
- ANNOY: ANNOY — это индекс на основе деревьев, лучше всего подходящий для сценариев, в которых требуется высокая полнота. Он удобен для наборов данных (менее 1 миллиона записей) с высокой размерностью (и при поиске похожих векторов).
- BIN_FLAT: Этот индекс подходит для низкоразмерных данных с менее чем 100 000 записей. Этот индекс аналогичен FLAT, за исключением того, что BIN_FLAT используется для бинарных эмбеддингов.
- BIN_IVF_FLAT: Этот индекс подходит для наборов высокоразмерных данных с менее чем 10 миллионами записей при поиске похожих векторов. Этот индекс аналогичен FLAT, за исключением того, что BIN_IVF_FLAT используется для бинарных эмбеддингов.
В заключение
Milvus поддерживает различные типы Index, которые помогают оптимизировать запросы и извлечение данных для разных сценариев использования. Выбор правильного типа Index может значительно улучшить производительность поиска в вашем приложении.
Если вы всё ещё определяете, какой тип Index использовать для вашего конкретного сценария, рекомендуется попробовать разные Indexes и сравнить их производительность. Milvus может обеспечить молниеносную производительность поиска для ваших AI-приложений при правильном типе Index и конфигурации.
Следующие шаги
- Скачайте Milvus и начните работу
- Узнайте больше о типах Index в Milvus
- Ознакомьтесь с бенчмарками Milvus в этом документе
Читать далее
A Few Notes from Databricks Data + AI Summit 2026: Why the Data Layer Matters Again
James Luan shares notes from Databricks Data + AI Summit 2026 on why production AI is pushing the data layer back to the center of infrastructure.
Why and How to Migrate from Self-Hosted Milvus to Zilliz Cloud
A simple, step-by-step guide to migrating from Milvus to Zilliz Cloud. Learn both endpoint and backup methods for a smooth, scalable vector database migration.
The Real Bottlenecks in Autonomous Driving — And How AI Infrastructure Can Solve Them
Autonomous driving faces a data bottleneck. Learn how AI-native vector databases like Zilliz solve scale, cost, and insight challenges across AV pipelines.