聚类压缩

聚类压缩旨在提高搜索性能，降低大型 Collections 的成本。本指南将帮助您了解聚类压缩以及该功能如何提高搜索性能。

概述

Milvus 将输入的实体存储在 Collections 中的分段中，并在分段已满时将其封存。如果出现这种情况，就会创建一个新的段来容纳更多的实体。因此，实体会任意地分布在不同的段中。这种分布要求 Milvus 搜索多个分段，以找到与给定查询向量最近的邻居。

无聚类压缩

如果 Milvus 可以根据特定字段中的值将实体分布在不同的段中，那么搜索范围就可以限制在一个段内，从而提高搜索性能。

聚类压缩（Clustering Compaction）是 Milvus 的一项功能，它能根据标量字段中的值在 Collections 中的段之间重新分配实体。要启用此功能，首先需要选择一个标量字段作为聚类键。这样，当实体的聚类键值在特定范围内时，Milvus 就能将实体重新分配到段中。当你触发聚类压缩时，Milvus 会生成/更新一个名为PartitionStats 的全局索引，它记录了段和聚类键值之间的映射关系。

使用聚类压缩

PartitionStats作为参考，Milvus 可以在收到带有聚类键值的搜索/查询请求时，剪切不相关的数据，并将搜索范围限制在与键值映射的段内，从而提高搜索性能。有关性能改进的详细信息，请参阅基准测试。

使用聚类压缩

Milvus 的聚类压缩功能具有高度可配置性。你可以选择手动触发，也可以将其设置为由 Milvus 每隔一段时间自动触发。要启用聚类压缩，请执行以下操作：

全局配置

您需要修改 Milvus 配置文件，如下所示。

dataCoord:
  compaction:
    clustering:
      enable: true 
      autoEnable: false 
      triggerInterval: 600 
      minInterval: 3600 
      maxInterval: 259200 
      newDataSizeThreshold: 512m 
      timeout: 7200
     
queryNode:
  enableSegmentPrune: true 

datanode:
  clusteringCompaction:
    memoryBufferRatio: 0.1 
    workPoolSize: 8  
common:
  usePartitionKeyAsClusteringKey: true 

• dataCoord.compaction.clustering

  配置项	默认值	默认值
  enable	指定是否启用聚类压缩。 如果需要为每个具有聚类密钥的 Collections 启用此功能，请将其设置为true 。	false
  autoEnable	指定是否启用自动触发压缩。 将此项设置为true 表示 Milvus 在指定的时间间隔内压缩具有聚类密钥的 Collections。	false
  triggerInterval	以毫秒为单位指定 Milvus 开始聚类压缩的时间间隔。 只有当autoEnable 设置为true 时，此参数才有效。	-
  minInterval	以秒为单位指定最小间隔。 此参数仅在autoEnable 设置为true 时有效。 将其设置为大于 triggerInterval 的整数，有助于避免在短时间内重复压缩。	-
  maxInterval	指定最大间隔（以秒为单位）。 该参数仅在autoEnable 设置为true 时有效。 一旦 Milvus 检测到某个 Collections 未进行聚类压缩的时间超过此值，它就会强制进行聚类压缩。	-
  newDataSizeThreshold	指定触发聚类压缩的上阈值。 该参数仅在autoEnable 设置为true 时有效。 一旦 Milvus 检测到 Collections 中的数据量超过此值，就会启动聚类压缩进程。	-
  timeout	指定聚类压缩的超时持续时间。 如果执行时间超过此值，则聚类压缩失败。	-

• queryNode

  配置项	配置项	默认值
  enableSegmentPrune	指定 Milvus 是否在收到搜索/查询请求时参考 PartitionStats 来剪切数据。 将此项设置为true 可使 Milvus 在搜索/查询请求期间从分段中剪除无关数据。	false

• dataNode.clusteringCompaction

  配置项	默认值	默认值
  memoryBufferRatio	指定集群压缩任务的内存缓冲区比率。 当数据大小超过使用此比率计算的分配缓冲区大小时，Milvus 会刷新数据。	-
  workPoolSize	指定聚类压缩任务的工作池大小。	-

• common

  配置项	配置项	默认值
  usePartitionKeyAsClusteringKey	指定是否将 Collections 中的分区密钥用作聚类密钥。 将其设置为true 表示将分区密钥用作聚类密钥。 您可以在 Collections 中通过显式设置聚类密钥来覆盖此设置。	false

要将上述更改应用到 Milvus 群集，请按照 "使用 Helm 配置 Milvus"和 "使用 Milvus Operator 配置 Milvus"中的步骤操作。

Collection 配置

要在特定 Collections 中进行聚类压缩，应从 Collections 中选择一个标量字段作为聚类密钥。

default_fields = [
    FieldSchema(name="id", dtype=DataType.INT64, is_primary=True),
    FieldSchema(name="key", dtype=DataType.INT64, is_clustering_key=True),
    FieldSchema(name="var", dtype=DataType.VARCHAR, max_length=1000, is_primary=False),
    FieldSchema(name="embeddings", dtype=DataType.FLOAT_VECTOR, dim=dim)
]

default_schema = CollectionSchema(
    fields=default_fields, 
    description="test clustering-key collection"
)

coll1 = Collection(name="clustering_test", schema=default_schema)

触发聚类压缩

如果启用了自动聚类压实，Milvus 会在指定的时间间隔自动触发压实。或者，您也可以按如下方式手动触发压缩：

coll1.compact(is_clustering=True)
coll1.get_compaction_state(is_clustering=True)
coll1.wait_for_compaction_completed(is_clustering=True)

基准测试

数据量和查询模式共同决定了聚类压缩所能带来的性能提升。一项内部基准测试表明，聚类压缩可将每秒查询次数（QPS）提高 25 倍。

该基准测试是在一个包含来自 2000 万个 768 维 LAION 数据集的实体的 Collections 上进行的，关键字段被指定为聚类关键字。在 Collections 中触发聚类压缩后，会发送并发搜索，直到 CPU 使用率达到高水位。

搜索过滤器	剪切率	延迟（毫秒）					QPS （请求/秒）
		平均值	最小值	最大值	中位数	TP99
无	0%	1685	672	2294	1710	2291	17.75
键 > 200 和键 < 800	40.2%	1045	47	1828	1085	1617	28.38
键 > 200 和键 < 600	59.8%	829	45	1483	882	1303	35.78
键 > 200 和键 < 400	79.5%	550	100	985	584	898	54.00
key == 1000	99%	68	24	1273	70	246	431.41

随着搜索筛选器中搜索范围的缩小，剪切率也随之增加。这意味着在搜索过程中会跳过更多的实体。比较第一行和最后一行的统计数据，可以发现不进行聚类压缩的搜索需要扫描整个 Collections。另一方面，使用特定键进行聚类压缩的搜索可以实现高达 25 倍的改进。

最佳实践

以下是一些有效使用聚类压缩的提示：

• 为数据量较大的 Collections 启用此功能。 Collections 中的数据量越大，搜索性能就越高。对于超过 100 万个实体的集合，启用此功能是一个不错的选择。

• 选择合适的聚类关键字：可以使用通常用作筛选条件的标量字段作为聚类关键字。对于保存多个租户数据的 Collections，可以利用区分一个租户和另一个租户的字段作为聚类密钥。

• 使用分区密钥作为聚类密钥。如果想在 Milvus 实例中的所有 Collections 启用此功能，或者在使用分区密钥的大型 Collections 中仍面临性能问题，可以将common.usePartitionKeyAsClusteringKey 设置为 true。通过这样做，当你选择 Collections 中的标量字段作为分区键时，你将拥有一个聚类键和一个分区键。

  请注意，此设置不会阻止您选择另一个标量字段作为聚类键。明确指定的聚类键始终优先。