Las métricas de usabilidad incluyen métricas que te ayudan a comprender el estado de la utilización del índice, como la configuración del índice y la cantidad de análisis del índice.
Nombre de la métrica
Tipo de datos
Descripción
relid
OID
Identificador único de la tabla que contiene el índice de vectores
indexrelid
OID
Identificador único del índice de vectores
schemaname
NAME
Nombre del esquema propietario del índice
relname
NAME
Nombre de la tabla que contiene el índice
indexrelname
NAME
Nombre del índice
indextype
NAME
Es el tipo de índice. Este valor siempre se establece en scann.
indexconfig
TEXT[]
Es la configuración, como el recuento de hojas y el cuantificador, que se definió para el índice cuando se creó.
indexsize
TEXT
Tamaño del índice
indexscan
BIGINT
Cantidad de análisis de índice iniciados en el índice
Métricas de ajuste
Las métricas de ajuste proporcionan estadísticas sobre la optimización actual del índice, lo que te permite aplicar recomendaciones para mejorar el rendimiento de las consultas.
Nombre de la métrica
Tipo de datos
Descripción
insertcount
BIGINT
Cantidad de operaciones de inserción en el índice. Esta métrica también incluye la cantidad de filas que existían antes de que se creara el índice.
updatecount
BIGINT
Cantidad de operaciones de actualización en el índice. Esta métrica no tiene en cuenta las actualizaciones de HOT.
deletecount
BIGINT
Cantidad de operaciones de eliminación en el índice.
distribution
JSONB
Son las distribuciones de vectores en todas las particiones del índice.
En los siguientes campos, se muestra la distribución:
maximum (INT8): Es la cantidad máxima de vectores en todas las particiones.
minimum (INT8): Es la cantidad mínima de vectores en todas las particiones.
average (FLOAT) : Es la cantidad promedio de vectores en todas las particiones.
outliers (INT8[]): Son los valores atípicos principales en todas las particiones. Este valor muestra los 20 valores atípicos principales.
Nota: Debido a las características inherentes del algoritmo de agrupamiento K-means, siempre habrá cierto grado de varianza en la distribución de los vectores en las particiones, incluso cuando se cree el índice inicialmente.
distributionpercentile
JSONB
La distribución del índice de vectores te ayuda a comprender la distribución de los vectores entre las particiones de tu índice de ScaNN. Las particiones se crean según el valor de num_leaves definido durante la creación del índice.
La distribución del índice de vectores contiene buckets para los percentiles 10, 25, 50, 75, 90, 95, 99 y 100. Cada bucket contiene los siguientes valores:
Cantidad de vectores presentes en la partición en el percentil especificado.
Cantidad de particiones que tienen vectores dentro del rango definido por los percentiles actual y anterior.
Nota: Debido a las características inherentes del algoritmo de agrupamiento K-means, siempre hay cierto grado de varianza en la distribución de los vectores en las particiones, incluso cuando se crea el índice inicialmente.
Ajuste de la recomendación según las métricas
Mutación
Las métricas insertcount, updatecount y deletecount juntas muestran los cambios o las mutaciones en el vector del índice.
El índice se crea con una cantidad específica de vectores y particiones. Cuando se realizan operaciones como insertar, actualizar o borrar en el índice de vectores, solo se ven afectadas las particiones iniciales en las que residen los vectores. Por lo tanto, la cantidad de vectores en cada partición fluctúa con el tiempo, lo que puede afectar la recuperación, las QPS o ambas.
Si, con el tiempo, tienes problemas de lentitud o precisión, como un QPS bajo o una recuperación deficiente, en tus búsquedas de ANN, considera revisar estas métricas. Una gran cantidad de mutaciones en relación con la cantidad total de vectores podría indicar la necesidad de volver a indexar.
Distribución
La métrica distribution muestra las distribuciones de vectores en todas las particiones.
Cuando creas un índice, este se crea con una cantidad específica de vectores y particiones fijas. El proceso de partición y la distribución posterior se realizan en función de esta consideración. Si se agregan vectores adicionales, se particionan entre las particiones existentes, lo que genera una distribución diferente en comparación con la distribución cuando se creó el índice. Dado que la distribución final no considera todos los vectores de forma simultánea, es posible que se vean afectados el recall, las QPS o ambos.
Si observas una disminución gradual en el rendimiento de tus búsquedas de ANN, como tiempos de respuesta más lentos o una menor precisión en los resultados (medida por QPS o recuperación), considera revisar esta métrica y volver a indexar.
Percentil de distribución
La métrica distributionpercentile es una distribución del índice de vectores en la vista pg_stat_ann_indexes que te ayuda a comprender la distribución de los vectores entre las particiones de tu índice de ScaNN. Las particiones se crean en función del valor de num_leaves definido durante la creación del índice.
Cuando creas un índice alloydb_scann en el conjunto inicial de filas estableciendo num_leaves, el índice puede cambiar la distribución de los vectores en las particiones debido a las operaciones de datos (mutaciones de sesgo), o bien la cantidad de vectores puede aumentar significativamente. Estos cambios pueden provocar una degradación de las QPS, la recuperación o ambas. La distribución del índice de vectores puede proporcionarte indicadores si la mutación provoca un cambio en la distribución del índice. Esta información puede ayudarte a determinar si se requiere una reindexación o si un cambio en la configuración del tiempo de búsqueda puede ayudar a mejorar el rendimiento de las búsquedas.
En un índice de vectores, la distribución de los vectores entre las particiones rara vez es perfectamente uniforme. Este desequilibrio se conoce como distribución no uniforme. A menudo, se espera un cierto grado de no uniformidad, lo que no significa que debas volver a indexar. Una distribución no uniforme tiene las siguientes características:
La varianza de la cantidad de vectores es baja. La varianza se puede calcular como
La cantidad de particiones con 0 vectores es baja y podría ser inferior al 30% de las particiones.
La varianza de la cantidad de particiones es baja.
$ variance _{p} = abs(p_{num\_partitions} - num\_leaves * (p_{percentile} - p-1_{percentile})) $ donde "p" es un bucket de distribución de índice de vector.
La cantidad de vectores en cualquier percentil es
$< 8 x (\frac{num\_rows\ during\ index\ creation\ time}{ num\_leaves})$
Cuando no se cumplen estas condiciones, es posible que se requiera REINDEX según la cantidad de QPS y la recuperación afectadas.
Las siguientes situaciones, aunque son menos comunes que la distribución no uniforme, pueden ocurrir:
Índice uniforme aproximado: Cuando la mayoría de las particiones tienen la misma cantidad de vectores distintos de cero y la varianza de la cantidad de vectores es baja, se trata de un índice uniforme aproximado. Se requiere REINDEX si los vectores de número en cada partición son> 8 * vector promedio en index_creation_time.
Índice disperso: También se produce un índice disperso cuando más del 50% de las particiones están vacías. Por ejemplo, se crea un índice disperso cuando se producen varias eliminaciones en una tabla. En esta situación, los vectores se concentran en una pequeña cantidad de particiones, lo que aumenta la cantidad de vectores en cada partición. Cuando esto suceda, descarta el índice y vuelve a crearlo.
[[["Fácil de comprender","easyToUnderstand","thumb-up"],["Resolvió mi problema","solvedMyProblem","thumb-up"],["Otro","otherUp","thumb-up"]],[["Difícil de entender","hardToUnderstand","thumb-down"],["Información o código de muestra incorrectos","incorrectInformationOrSampleCode","thumb-down"],["Faltan la información o los ejemplos que necesito","missingTheInformationSamplesINeed","thumb-down"],["Problema de traducción","translationIssue","thumb-down"],["Otro","otherDown","thumb-down"]],["Última actualización: 2025-09-04 (UTC)"],[[["\u003cp\u003eThe \u003ccode\u003epg_stat_ann_indexes\u003c/code\u003e view provides metrics for vector indexes generated in AlloyDB Omni, accessible after installing the \u003ccode\u003ealloydb_scann\u003c/code\u003e extension.\u003c/p\u003e\n"],["\u003cp\u003eUsability metrics, such as \u003ccode\u003eindexconfig\u003c/code\u003e and \u003ccode\u003eindexscan\u003c/code\u003e, help to understand the current state of index utilization, including index configuration and scan frequency.\u003c/p\u003e\n"],["\u003cp\u003eTuning metrics, including \u003ccode\u003einsertcount\u003c/code\u003e, \u003ccode\u003eupdatecount\u003c/code\u003e, \u003ccode\u003edeletecount\u003c/code\u003e, and \u003ccode\u003edistribution\u003c/code\u003e, offer insights into index optimization and potential performance issues.\u003c/p\u003e\n"],["\u003cp\u003eHigh mutation rates, indicated by \u003ccode\u003einsertcount\u003c/code\u003e, \u003ccode\u003eupdatecount\u003c/code\u003e, and \u003ccode\u003edeletecount\u003c/code\u003e, or significant vector distribution variance, shown by the \u003ccode\u003edistribution\u003c/code\u003e metric, may suggest a need to reindex to improve query performance.\u003c/p\u003e\n"]]],[],null,["# Vector index metrics\n\nSelect a documentation version: 15.7.1keyboard_arrow_down\n\n- [Current (16.8.0)](/alloydb/omni/current/docs/reference/vector-index-metrics)\n- [16.8.0](/alloydb/omni/16.8.0/docs/reference/vector-index-metrics)\n- [16.3.0](/alloydb/omni/16.3.0/docs/reference/vector-index-metrics)\n- [15.12.0](/alloydb/omni/15.12.0/docs/reference/vector-index-metrics)\n- [15.7.1](/alloydb/omni/15.7.1/docs/reference/vector-index-metrics)\n- [15.7.0](/alloydb/omni/15.7.0/docs/reference/vector-index-metrics)\n\n\u003cbr /\u003e\n\nThis page lists the metrics related to the vector indexes that you generate in AlloyDB Omni. You can view these metrics using the `pg_stat_ann_indexes` view that is available when you install [the `alloydb_scann` extension](/alloydb/omni/15.7.1/docs/ai/store-index-query-vectors).\n\n\u003cbr /\u003e\n\nFor more information about viewing the metrics, see [View vector index metrics](/alloydb/omni/15.7.1/docs/ai/tune-indexes#vector-index-metrics).\n\nUsability metrics\n-----------------\n\nThe usability metrics include metrics that help you understand the state of\nindex utilization with metrics, such as index configuration and number of index\nscans.\n\nTuning metrics\n--------------\n\nTuning metrics provide insights into your current index optimization, allowing you to apply recommendations for faster query performance.\n\n### Tuning recommendation based on the metrics\n\nMutation\n: The `insertcount`, `updatecount`,\n and `deletecount` metrics together show the changes or mutations in\n the vector for the index.\n: The index is created with a specific number of vectors and partitions. When operations such as insert, update, or delete are performed on the vector index, it only affects the initial set of partitions where the vectors reside. Consequently, the number of vectors in each partition fluctuates over time, potentially impacting recall, QPS, or both.\n: If you encounter slowness or accuracy issues such as low QPS or poor recall, in your ANN search queries over time, then consider reviewing these metrics. A high number of mutations relative to the total number of vectors could indicate the need for reindexing.\n\nDistribution\n: The `distribution` metric shows the vector distributions across all partitions.\n: When you create an index, it is created with a specific number of vectors and fixed partitions. The partitioning process and subsequent distribution occurs based on this consideration. If additional vectors are added, they are partitioned among the existing partitions, resulting in a different distribution compared to the distribution when the index was created. Since the final distribution does not consider all vectors simultaneously, the recall, QPS, or both might be affected.\n: If you observe a gradual decline in the performance of your ANN search queries, such as slower response times or reduced accuracy in the results (measured by QPS or recall), then consider checking this metric and reindexing.\n\nDistribution percentile\n: The `distributionpercentile` metric, is a vector index distribution in the `pg_stat_ann_indexes` view that helps you understand the distribution of vectors between partitions of your ScaNN index. The partitions are created based on `num_leaves` value defined during index creation.\n: When you create an `alloydb_scann` index on the initial set of rows by setting `num_leaves`, the index can change the distribution of vectors across the partitions due to data operations (skew mutations), or the number of vectors might increase significantly. These changes can lead to degradation of QPS, recall, or both. The vector index distribution can give you signals if the mutation causes a change in the index distribution. This information can help you determine if a reindex is required, or if a change in search time configurations can help improve query performance.\n: In a vector index, the distribution of vectors across partitions is rarely perfectly even. Such imbalance is referred to as a *non-uniform distribution* . A certain degree of non-uniformity is often expected and doesn't mean you need to reindex. A non-uniform distribution has the following characteristics: \n\n - The variance of the number of vectors is low. Variance can be calculated as \n $(P100(num\\\\_vectors) - p10(num\\\\_vectors))\\*(\\\\frac{num\\\\_leaves}{total\\\\_num\\\\_row})$\n - The number of partitions with 0 vectors is low, and might be less than 30% of partitions.\n - The variance of the number of partitions is low. \n $ variance _{p} = abs(p_{num\\\\_partitions} - num\\\\_leaves \\* (p_{percentile} - p-1_{percentile})) $ where \"p\" is a vector index distribution bucket.\n - The number of vectors at any percentile is \n $\\\u003c 8 x (\\\\frac{num\\\\_rows\\\\ during\\\\ index\\\\ creation\\\\ time}{ num\\\\_leaves})$\n\n When these conditions aren't satisfied, `REINDEX` might be required based on how much QPS and recall are affected.\n: The following scenarios, while less common than non-uniform distribution, can occur: \n\n - **Approximate Uniform Index:** When most of the partitions have the same number of non-zero vectors and the variance of the number of vectors is low, it is an approximate uniform index. `REINDEX` is required if the number vectors in each partition are $\\\u003e 8 \\* average vector$ at `index_creation_time`.\n - **Sparse Index:** A sparse index also occurs where \\\u003e 50% of the partitions are empty. For example, sparse index is created when multiple deletions occur on a table. This scenario causes the vectors to be concentrated in a small number of partitions, which increases the number of vectors in each partition. When this happens, drop the index and recreate it."]]
