Milvus的执行引擎Knowhere

前言

本文将会介绍Knowhere这个概念，它是milvus向量执行引擎的核心。

概览

Knowhere是milvus向量咨询引擎的核心，它将好几个向量相似搜索库聚集在一起（包括faiss、hnswlib、annoy）。Knowhere也被设计支持异构计算。它控制在什么硬件（CPU或GPU）上执行索引构建和查询请求.为什么取Knowhere作为名字的原因就是因为它知道在哪里执行这些操作。更多类型的硬件包括DPU和TPU将会在未来的版本中进行支持。

milvus架构中的Knowhere

下图展示了milvus架构中Knowhere的地位：

最底层的那一次是系统硬件。第三方索引库位于硬件之上。Knowhere通过它上层的CGO来与索引节点和查询节点进行互动。CGO是一个允许通过GO包来调用C代码的组件。

Knowhere的优势

下面通过faiss来介绍Knowhere的优势

支持Bitset视图

milvus引入Bitset机制来实现软删除。软删除的向量仍然存在数据库当中，仅仅是不会再向量相似搜索或查询的时候参与计算。

Bitset中的每一位与索引的向量相对应。如果一个向量在Bitset中被标记为“1”，则表示该向量已经被软删除并将不会参与向量搜索。在Knowhere中，所有暴露出来的faiss索引查询api都会使用bitset参数，包括CPU和GPU索引。

对于二进制向量支持多种相似度算法

Knowhere支持Hamming, Jaccard, Tanimoto, Superstructure, 和 Substructure算法，Jaccard和Tanimoto可以被用来计算两个样本集的相似度。Superstructure和 Substructure可以被用来计算化学结构的相似度。

支持AVX512指令集

除了faiss已经支持的AArch64,SSE4.2和AVX2指令集，Knowhere还支持AVX512，相比于AVX2，AVX512可以提高20%到30%的索引构建和查询的性能。

自动选择SIMD指令

Knowhere支持在任何的CPU处理器（私有部署或者云平台）自动调用合适的SIMD指令（比如SIMD SSE, AVX, AVX2, and AVX512），所以在计算过程中不需要用户手动声明SIMD标志（比如“-msse4”）

Knowhere是通过重构Faiss的代码库构建的.依赖SIMD加速的通用的功能（比如相似度计算）被分离出来，针对每个功能，4个版本（也就是SSE, AVX, AVX2, AVX512）的实现已经被分离到不同的源文件。源文件在未来将会被相应的SIMD标志独立编译。因此，在运行过程中，Knowhere可以基于当前的CPU标志自动选择最好的SIMD指令和利用钩子链接最正确的函数指针。

其他性能优化

Knowhere代码结构

milvus主要进行向量和标量操作的计算，Knowhere仅仅负责向量索引的操作。

索引的数据结构独立于原始的向量数据。通常索引需要四个步骤：创建索引，训练数据，插入数据和构建索引。在有些AI应用中，数据训练是独立于向量搜索。数据集中的数据首先被训练，然后再插入到像milvus这样的数据库中进行相似搜索。例如开源数据集sift1M和sift1B就有不同的训练数据和测试数据。

然后，在Knowhere中，数据训练和搜索是一样的，Knowhere在段里面训练所有的数据，然后插入所有的训练数据并为它们构建索引。

DataObj：基类

在Knowhere中，DataObj是所有数据结构的基类。Knowhere中唯一的虚拟方法是Size()。Index类继承DataObj并且有一个“size_”的字段。Index类也有两个虚拟方法：Serialize()和 Load()。VecIndex类继承自Index，其也是所有向量索引的虚拟基类。VecIndex提供的方法包括：Train(), Query(), GetStatistics(), 和ClearStatistics()