Google uses AI technology to translate content into your preferred language. AI translations can contain errors.

調整 AlloyDB for PostgreSQL 中的向量查詢效能

本頁說明如何在 AlloyDB for PostgreSQL 中調整索引，以加快查詢效能並提升召回率。

事前準備

建立 ScaNN 索引前，請先完成下列步驟：

建立資料表，並填入資料。
為避免建立 ScaNN 索引時發生記憶體不足問題，請確保 maintenance_work_mem 和 shared_buffers 資料庫旗標設為小於機器總記憶體的值。
如要使用四層索引，必須先為 AlloyDB 執行個體啟用預覽功能。如要啟用預覽功能，請選擇下列其中一種方法：
- 啟用 scann.enable_preview_features 資料庫旗標。
  
  如要進一步瞭解如何設定資料庫旗標，請參閱「設定資料庫旗標」。
- 將工作階段層級的 scann.max_allowed_num_levels 資料庫旗標設為 3。
```
SET scann.max_allowed_num_levels = 3;
```

調整 ScaNN 索引

如要判斷 ScaNN 索引所需的層級數量，請參閱下表。

資料表中的向量資料列數	ScaNN 索引的層級數量
[0..10 million]	二
[10 million..100 million]	選擇下列其中一種指標做為優先考量：搜尋召回率：2 索引建構時間：三
[1 億..10 億]	選擇下列其中一種指標做為優先考量：搜尋召回率：3 索引建構時間：四 (在「預覽」中)
[10 億..100 億]	四個 (預先發布版)

請參考下列 ScaNN 索引，為含有 100 萬列的資料表調整參數。

兩層樹狀結構索引

SET LOCAL scann.num_leaves_to_search = 1;
SET LOCAL scann.pre_reordering_num_neighbors=50;

CREATE INDEX my_scann_index ON my_table
       USING scann (vector_column cosine)
WITH (num_leaves = [power(1000000, 1/2)]);

三層樹狀結構索引

SET LOCAL scann.num_leaves_to_search = 10;
SET LOCAL scann.pre_reordering_num_neighbors=50;

CREATE INDEX my_scann_index ON my_table
       USING scann (vector_column cosine)
WITH (num_leaves = [power(1000000, 2/3)], max_num_levels = 2);

四層樹狀結構索引

SET LOCAL scann.num_leaves_to_search = 100;
SET LOCAL scann.pre_reordering_num_neighbors=50;

CREATE INDEX my-scann-index ON my-table
       USING scann (vector_column cosine)
WITH (num_leaves = [power(1000000, 3/4)], max_num_levels = 3);

如要進一步瞭解 ScaNN 索引，請參閱下列頁面：

處理因資料欄引擎加速而導致的 DML 失效

如果您選擇使用資料欄引擎加速向量搜尋，請注意，基礎資料表上的 DML 和 DDL 失效可能會影響向量查詢效能。如果 DML 輸送量偏高，請考慮調整 google_columnar_engine.refresh_threshold_percentage 資料庫旗標，或使用 google_columnar_engine_refresh_index 指令手動重新整理索引。

分析查詢

使用 EXPLAIN ANALYZE 指令分析查詢洞察，如下列 SQL 查詢範例所示。

  EXPLAIN ANALYZE SELECT result-column
  FROM my_table
  ORDER BY EMBEDDING_COLUMN <-> embedding('text-embedding-005', 'What is a database?')::vector
  LIMIT 1;

範例回應 QUERY PLAN 包含所花時間、掃描或傳回的資料列數，以及使用的資源等資訊。

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

查看向量索引指標

您可以運用向量索引指標查看向量索引的成效、找出可改進的部分，並視需要根據指標調整索引。pg_stat_ann_indexes 檢視畫面可協助您瞭解索引使用率的狀態，pg_stat_ann_index_creation 檢視畫面則提供索引建立時所建立的資料列相關資訊。

如要查看索引使用率指標，請執行下列指令：

SELECT * FROM pg_stat_ann_indexes;

畫面會顯示類似以下內容的輸出：

-[ RECORD 1 ]----------+---------------------------------------------------------------------------
relid                  | 271236
indexrelid             | 271242
schemaname             | public
relname                | t1
indexrelname           | t1_ix1
indextype              | scann
indexconfig            | {num_leaves=100,max_num_levels=1,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 }}

如要查看建立索引時建立的資料列數，請執行下列指令：

SELECT * FROM pg_stat_ann_index_creation;