Práticas recomendadas para ajustar índices ScaNN no AlloyDB para PostgreSQL

Ajustar os índices de vizinhos mais próximos escalonáveis (ScaNN) no AlloyDB para PostgreSQL ajuda a equilibrar o recall de pesquisa e as consultas por segundo (QPS) para suas cargas de trabalho vetoriais. Os parâmetros e valores de configuração recomendados dependem do uso de um índice ScaNN de dois, três ou quatro níveis.

Para informações sobre como criar índices ScaNN, consulte Criar um índice ScaNN.

Limitações

O parâmetro num_leaves controla o número de partições no índice. O número máximo de partições permitidas é:

  • 100 milhões para o PostgreSQL 17 e versões mais recentes.
  • 30 milhões para o PostgreSQL 16 e versões anteriores.

Índice de árvore de dois níveis

Para aplicar recomendações que ajudem a encontrar os valores ideais de num_leaves e num_leaves_to_search para seu conjunto de dados, siga estas etapas:

  1. Para criar o índice ScaNN otimizado para os casos a seguir, defina o parâmetro num_leaves com o valor abaixo, em que rows é o número de linhas na tabela indexada:
    • tempo e qualidade de criação de índice equilibrados: defina num_leaves como sqrt(rows).
    • quality: define num_leaves como rows/100.
  2. Execute as consultas de teste, aumentando o valor de scann.num_leaves_to_search (ou scann.pct_leaves_to_search), até atingir o intervalo de recall desejado, por exemplo, 95%. Para mais informações sobre como analisar suas consultas, consulte Analisar suas consultas.
  3. Anote a proporção entre scann.num_leaves_to_search e num_leaves que será usada nas próximas etapas. Essa proporção fornece uma aproximação do conjunto de dados que vai ajudar você a atingir o recall desejado.

    Se você estiver trabalhando com vetores de alta dimensão (500 dimensões ou mais) e quiser melhorar o recall, tente ajustar o valor de scann.pre_reordering_num_neighbors. O valor padrão é definido como 50 * K, em que K é o limite definido na consulta.
  4. Se as QPS estiverem muito baixas depois que as consultas atingirem um recall desejado, siga estas etapas:
    1. Recrie o índice, aumentando o valor de num_leaves e scann.num_leaves_to_search de acordo com as seguintes orientações:
      • Defina num_leaves como um fator maior da raiz quadrada da contagem de linhas. Por exemplo, se o índice tiver num_leaves definido como a raiz quadrada da contagem de linhas, tente definir como o dobro da raiz quadrada. Se o valor já for o dobro, tente definir como o triplo da raiz quadrada.
      • Aumente scann.num_leaves_to_search conforme necessário para manter a proporção com num_leaves, que você anotou na Etapa 3.
      • Defina num_leaves como um valor menor ou igual à contagem de linhas dividida por 100.
    2. Execute as consultas de teste novamente. Enquanto estiver executando as consultas de teste, tente reduzir scann.num_leaves_to_search, encontrando um valor que aumente as QPS e mantenha o recall alto. Teste valores diferentes de scann.num_leaves_to_search sem recriar o índice.
  5. Repita a etapa 4 até que as QPS e o intervalo de recall tenham atingido valores aceitáveis.

Índice de árvore de três níveis

Além das recomendações para o índice ScaNN de árvore de dois níveis, use as orientações a seguir.

Para aplicar recomendações e encontrar o valor ideal dos parâmetros de índice num_leaves e max_num_levels, siga estas etapas:

  1. Crie o índice ScaNN com as seguintes combinações de num_leaves e max_num_levels com base nas suas metas de performance:

    • Equilibrar o tempo de criação e a qualidade do índice: defina max_num_levels como 2 e num_leaves como power(rows, ⅔).
    • Otimizar para qualidade: defina max_num_levels como 2 e num_leaves como rows/100.
  2. Execute as consultas de teste. Para mais informações sobre como analisar consultas, consulte Analisar suas consultas.

  3. Anote a proporção entre scann.num_leaves_to_search e num_leaves que será usada nas próximas etapas. Essa proporção fornece uma aproximação do conjunto de dados que vai ajudar você a alcançar o recall desejado.

Se você estiver trabalhando com vetores de alta dimensão (500 dimensões ou mais) e quiser melhorar o recall, tente ajustar o valor de scann.pre_reordering_num_neighbors. O valor padrão é definido como 50 * K, em que K é o limite definido na consulta.

  1. Se as QPS estiverem muito baixas depois que as consultas atingirem um recall desejado, siga estas etapas:

    • Recrie o índice, aumentando o valor de num_leaves e scann.num_leaves_to_search de acordo com as seguintes orientações:
    • Defina num_leaves como um fator maior de power(rows, ⅔). Por exemplo, se o índice tiver num_leaves definido como power(rows, ⅔), tente definir como o dobro de power(rows, ⅔). Se o valor já estiver duplicado, tente triplicar o power(rows, ⅔).
    • Aumente scann.num_leaves_to_search conforme necessário para manter a proporção com num_leaves, que você anotou na Etapa 3.
    • Defina num_leaves como um valor menor ou igual a rows/100.
    • Execute as consultas de teste novamente. Enquanto estiver executando as consultas de teste, tente reduzir scann.num_leaves_to_search, encontrando um valor que aumente as QPS e mantenha o recall alto. Teste valores diferentes de scann.num_leaves_to_search sem recriar o índice.
  2. Repita a etapa 4 até que as QPS e o intervalo de recall tenham atingido valores aceitáveis.

Índice de árvore de quatro níveis

Além das recomendações para índices de árvore de três níveis, use as seguintes orientações para encontrar o valor ideal para num_leaves e max_num_levels:

  1. Crie um índice ScaNN com as seguintes combinações de num_leaves e max_num_levels com base nas suas metas de performance:

    • Equilibre o tempo e a qualidade da criação do índice: defina max_num_levels como 3 e num_leaves como power(ROWS, 3/4).

    • Otimize a qualidade: defina max_num_levels como 3 e num_leaves como ROWS/100.

  2. Execute as consultas de teste. Para mais informações sobre como analisar consultas, consulte Analisar suas consultas.

  3. Observe a proporção entre scann.num_leaves_to_search e num_leaves. Use essa proporção para alcançar o recall desejado nas etapas seguintes.

    Se você estiver trabalhando com vetores de alta dimensão (500 dimensões ou mais) e quiser melhorar o recall, tente ajustar o valor de scann.pre_reordering_num_neighbors.

  4. Se as QPS estiverem muito baixas depois que as consultas alcançarem um recall desejado, recrie o índice, aumentando o valor de num_leaves e scann.num_leaves_to_search de acordo com as seguintes orientações:

    1. Defina num_leaves como um fator maior de power(ROWS, 3/4). Por exemplo, se o índice tiver num_leaves definido como power(ROWS, 3/4), tente definir o dobro desse valor. Se o valor já estiver definido como o dobro, tente definir como o triplo.

    2. Aumente scann.num_leaves_to_search conforme necessário para manter a proporção com num_leaves, que você anotou na etapa três.

    3. Defina num_leaves como um valor menor ou igual a ROWS/100.

    4. Execute as consultas de teste novamente. Enquanto você executa as consultas de teste, tente reduzir scann.num_leaves_to_search. Encontre um valor que aumente as QPS e mantenha o recall alto. Tente usar valores diferentes de scann.num_leaves_to_search sem recriar o índice.

  5. Repita a etapa quatro até que o intervalo de recall e as QPS alcancem valores aceitáveis.

Melhorar o recall de pesquisas filtradas

Ao realizar uma pesquisa vetorial de vizinho mais próximo (KNN) que inclui um filtro, talvez a consulta retorne menos resultados do que o solicitado na cláusula LIMIT. Isso pode levar ao que é conhecido como recall insuficiente e é mais provável que ocorra ao usar filtros altamente seletivos. Isso acontece porque as partições iniciais, ou folhas, que o ScaNN pesquisa não contêm vetores suficientes que atendam às condições de filtro.

Para resolver isso, o AlloyDB oferece um recurso que permite que a pesquisa se expanda dinamicamente além do conjunto inicial de folhas para encontrar resultados correspondentes suficientes.

Como funciona o streaming

Para ativar a funcionalidade de streaming, defina o parâmetro scann.satisfy_limit como relaxed_order. Quando ativada, a verificação de vetor continua pesquisando em outras partições de folha até encontrar resultados suficientes para atender ao LIMIT da consulta, melhorando o recall.

Para evitar que uma pesquisa continue por muito tempo e controlar o impacto no desempenho, use o parâmetro scann.max_num_leaves_to_search_pct. Essa configuração define um limite superior para a porcentagem de folhas totais que uma consulta pode visitar. O valor padrão é 15%.

Quando usar o streaming

Considere usar o recurso de streaming quando:

  • Você usa filtros com suas pesquisas vetoriais.
  • Você observa que as consultas retornam menos resultados do que o esperado com base na cláusula LIMIT.

Para melhorar o recall das suas pesquisas filtradas, ative scann.satisfy_limit. Recomendamos que você configure scann.max_num_leaves_to_search_pct para alcançar o equilíbrio entre o recall e o desempenho da consulta.

Otimizar o desempenho de consultas filtradas

Para um desempenho ideal em consultas filtradas, recomendamos criar um índice de árvore B nas colunas filtradas. Isso permite que o planejador de consultas selecione a estratégia de filtragem mais eficiente e reduza significativamente o tempo de execução da consulta.

Manutenção de índice

Se a tabela está sujeita a atualizações ou inserções frequentes, recomendamos reindexar periodicamente o índice ScaNN para melhorar a acurácia de recall. Você pode monitorar as métricas de índice para visualizar alterações nas distribuições de vetores ou mutações de vetores desde que o índice foi criado e, em seguida, reindexá-lo corretamente. Para mais informações sobre métricas, consulte Visualizar métricas de índice vetorial.

A seguir