概述
在大规模向量相似性搜索场景中，结合标量字段和向量字段的过滤搜索需求日益增加。Milvus 2.1.0 版本引入的标量字段索引，为此类查询提供了极大的性能提升。本文将探讨 Milvus 的标量字段索引技术，包括其原理、实现方法、使用场景及性能优势。
为什么选择标量字段索引？
当在 Milvus 中进行向量相似性搜索时，可能希望通过一些标量字段（例如，数值、字符串字段）来进行筛选，以实现更精准的搜索结果。例如，在图像检索中，可以根据图片上传日期等标量字段来筛选结果。然而，标量字段过滤的效率直接影响最终查询的速度。为了解决这一瓶颈，Milvus 引入了标量字段索引，它可以有效组织标量字段的数据，并结合倒排索引、自动索引等技术，极大提升查询效率。
标量字段索引的工作原理
在接收到带有布尔表达式的搜索请求时，Milvus 会将表达式解析为抽象语法树（AST），并生成对应的物理计划。然后，Milvus 在每个数据段中执行物理计划，生成比特集作为过滤结果，再将此结果用于向量搜索参数，以缩小搜索范围。
1. 标量字段索引的分段过滤
标量字段索引的作用在于加速分段内的属性过滤过程。它以特定方式对标量字段值进行排序，使得信息检索速度大大提升。Milvus 提供了两种主要的标量字段索引算法：自动索引和反转索引。
2. 自动索引与反转索引
- 自动索引：适用于频繁检索、前缀匹配等查询。Milvus 可以基于标量字段的数据类型自动创建索引，无需手动干预。
- 反转索引：提供了手动配置的灵活性，适合更复杂的场景，如点查询、模式匹配、全文检索、布尔搜索和 JSON 查询。
自动索引的数据类型支持
| 数据类型 | 自动索引算法 |
|---|---|
| VARCHAR | 反转索引 |
| INT8 | 反转索引 |
| INT16 | 反转索引 |
| INT32 | 反转索引 |
| INT64 | 反转索引 |
| FLOAT | 反转索引 |
| 二进制 | 反转索引 |
反转索引的优势
Milvus 中的反转索引由 Tantivy（一个高效的全文搜索引擎库）支持。Tantivy 确保了 Milvus 的反转索引在性能和速度上的优越性。反转索引由术语字典和倒排列表两部分组成，其中术语字典是按字母顺序排列的所有标记词列表，而倒排列表记录每个词所关联的文档。这样设计让反转索引在点查询和范围查询中比暴力搜索快得多。
- 点查询：通过在术语字典中查找关键字并获取相关倒排列表，避免了大量无效遍历。
- 范围查询：利用已排序的术语字典更快速地定位符合条件的内容，进一步加速检索过程。
Milvus 中标量字段索引的使用
在 Milvus 中使用标量字段索引可以显著提高带有标量字段筛选的查询性能，以下是一些常见的使用方法和参数配置。
1. 配置自动索引
Milvus 自动为支持的数据类型（如 VARCHAR、INT 等）创建索引，无需手动干预。在执行搜索时，仅需构造包含布尔表达式的查询条件，Milvus 会自动处理索引。
python
# 假设我们有一个字符串和整型标量字段
search_params = {
"bool_expr": "age > 30 AND status == 'active'"
}
results = collection.search(data=query_vectors, anns_field="embedding", param=search_params, limit=top_K)2. 手动配置反转索引
反转索引支持更灵活的查询需求，适合点查询、前缀匹配、范围查询等操作。通过反转索引可在 Milvus 中手动配置标量字段的索引。
python
# 使用倒排索引来支持复杂的查询场景
index_params = {
"field_name": "attribute_field",
"index_type": "INVERTED_INDEX"
}
collection.create_index(index_params=index_params)3. 查询示例
一旦标量字段索引构建完毕，可以通过以下方式进行点查询和范围查询。
python
# 点查询：根据某个值精确匹配
point_query = "category == 'Electronics'"
results = collection.search(data=query_vectors, anns_field="embedding", bool_expr=point_query, limit=top_K)
# 范围查询：查找某个范围内的数据
range_query = "price > 500 AND price < 1000"
results = collection.search(data=query_vectors, anns_field="embedding", bool_expr=range_query, limit=top_K)标量索引性能测试结果
为了验证标量字段索引的性能优势，实验对比了倒排索引和暴力搜索的性能表现。实验在包含 100 万条记录的数据集上进行测试，结果表明：
- 点查询：使用倒排索引的查询性能比暴力搜索快 30 倍。
- 范围查询：使用倒排索引在大数据集上的性能提升更加显著。
这些结果表明，倒排索引在大规模数据场景中提供了更高效的查询性能。
性能建议
使用 Milvus 标量字段索引时，可以根据数据类型和数据量，估算所需的内存大小，以更好地进行资源规划。以下为不同数据类型的内存估算公式：
数值字段
| 数据类型 | 内存估算函数（MB） |
|---|---|
| INT8 | 行数 * 12 / 1024 / 1024 |
| INT16 | 行数 * 12 / 1024 / 1024 |
| INT32 | 行数 * 12 / 1024 / 1024 |
| INT64 | 行数 * 24 / 1024 / 1024 |
| FLOAT32 | 行数 * 12 / 1024 / 1024 |
| 二进制 | 行数 * 24 / 1024 / 1024 |
字符串字段
| 字符串长度 | 内存估算函数（MB） |
|---|---|
| (0, 8] | 行数 * 128 / 1024 / 1024 |
| (8, 16] | 行数 * 144 / 1024 / 1024 |
| (16, 32] | 行数 * 160 / 1024 / 1024 |
| (32, 64] | 行数 * 192 / 1024 / 1024 |
| (64, 128] | 行数 * 256 / 1024 / 1024 |
| (128, 65535] | 行数 * strLen * 1.5 / 1024 / 1024 |
结论
标量字段索引为 Milvus 向量相似性搜索增添了强大的筛选能力，使得在处理具有大量标量属性的数据集时，查询性能显著提升。通过选择适当的索引类型和合理的配置，您可以在搜索精度和查询效率之间找到理想的平衡点，满足复杂数据处理场景的业务需求。