Hier erfahren Sie, wie Sie die folgenden Vektorindexe optimieren, um in AlloyDB for PostgreSQL eine schnellere Abfrageleistung und einen besseren Recall zu erzielen:
Sie können Ihre Abfragen auch analysieren und Messwerte für Vektorindexe aufrufen, um die Abfrageleistung zu beobachten und zu verbessern.
HNSW-Index optimieren
Durch Anpassen der Werte, die Sie für die Parameter m, ef_construction und hnsw.ef_search festlegen, lässt sich die Anwendungsleistung optimieren.
| Abstimmungsparameter | Beschreibung | Parametertyp |
|---|---|---|
m |
Die maximale Anzahl von Verbindungen von einem Knoten im Diagramm. Sie können mit dem Standardwert 16(default) beginnen und je nach Größe Ihres Datasets höhere Werte ausprobieren. |
Index erstellen |
ef_construction |
Die Größe der dynamischen Kandidatenliste, die während der Erstellung des Diagramms verwaltet wird. Sie wird ständig aktualisiert und enthält die aktuell besten Kandidaten für die nächsten Nachbarn eines Knotens. Legen Sie diesen Wert auf einen beliebigen Wert fest, der höher als das Doppelte des m-Werts ist, z. B. 64(Standard). |
Index erstellen |
ef_search |
Die Größe der dynamischen Kandidatenliste, die bei der Suche verwendet wird. Sie können diesen Wert zuerst auf m oder ef_construction festlegen und ihn dann ändern, während Sie den Recall beobachten. Der Standardwert ist 40. |
Laufzeit der Abfrage |
Im folgenden Beispiel sehen Sie einen hnsw-Index mit den festgelegten Optimierungsparametern:
SET LOCAL hnsw.ef_search = 40;
CREATE INDEX my-hnsw-index ON my-table
USING hnsw (vector_column cosine)
WITH (m = 16, ef_construction = 200);
Abfragen analysieren
Verwenden Sie den Befehl EXPLAIN ANALYZE, um Ihre Abfragestatistiken zu analysieren, wie in der folgenden SQL-Beispielabfrage gezeigt.
EXPLAIN ANALYZE SELECT result-column
FROM my-table
ORDER BY EMBEDDING_COLUMN <=> embedding('text-embedding-005', 'What is a database?')::vector
LIMIT 1;
Die Beispielantwort QUERY PLAN enthält Informationen wie die benötigte Zeit, die Anzahl der gescannten oder zurückgegebenen Zeilen und die verwendeten Ressourcen.
Limit (cost=0.42..15.27 rows=1 width=32) (actual time=0.106..0.132 rows=1 loops=1)
-> Index Scan using my-scann-index on my-table (cost=0.42..858027.93 rows=100000 width=32) (actual time=0.105..0.129 rows=1 loops=1)
Order By: (embedding_column <=> embedding('text-embedding-005', 'What is a database?')::vector(768))
Limit value: 1
Planning Time: 0.354 ms
Execution Time: 0.141 ms
Messwerte für Vektorindexe ansehen
Sie können Messwerte für Vektorindexe verwenden, um die Leistung Ihres Vektorindex zu prüfen, Bereiche zu identifizieren, in denen Verbesserungen möglich sind, und den Index bei Bedarf anhand der Messwerte zu optimieren.
Wenn Sie alle Messwerte für Vektorindexe aufrufen möchten, führen Sie die folgende SQL-Abfrage aus, in der die Ansicht pg_stat_ann_indexes verwendet wird:
SELECT * FROM pg_stat_ann_indexes;
Die Ausgabe sollte in etwa so aussehen:
-[ RECORD 1 ]----------+---------------------------------------------------------------------------
relid | 271236
indexrelid | 271242
schemaname | public
relname | t1
indexrelname | t1_ix1
indextype | scann
indexconfig | {num_leaves=100,quantizer=SQ8}
indexsize | 832 kB
indexscan | 0
insertcount | 250
deletecount | 0
updatecount | 0
partitioncount | 100
distribution | {"average": 3.54, "maximum": 37, "minimum": 0, "outliers": [37, 12, 11, 10, 10, 9, 9, 9, 9, 9]}
distributionpercentile |{"10": { "num_vectors": 0, "num_partitions": 0 }, "25": { "num_vectors": 0, "num_partitions": 30 }, "50": { "num_vectors": 3, "num_partitions": 30 }, "75": { "num_vectors": 5, "num_partitions": 19 }, "90": { "num_vectors": 7, "num_partitions": 11 }, "95": { "num_vectors": 9, "num_partitions": 5 }, "99": { "num_vectors": 12, "num_partitions": 4 }, "100": { "num_vectors": 37, "num_partitions": 1 }}
Weitere Informationen zur vollständigen Liste der Messwerte finden Sie unter Messwerte für Vektorindex.