产品常见问题

Milvus 的成本是多少？

Milvus 是一个 100% 免费的开源项目。

在使用 Milvus 进行生产或发布时，请遵守 Apache License 2.0。

Milvus 背后的公司 Zilliz 还为那些不想构建和维护自己的分布式实例的用户提供完全托管的云版平台。Zilliz Cloud 可自动维护数据的可靠性，并允许用户只为其使用付费。

Milvus 支持非 x86 架构吗？

Milvus 不能在非 x86 平台上安装或运行。

您的 CPU 必须支持以下指令集之一才能运行 Milvus：SSE4.2、AVX、AVX2、AVX512。这些都是 x86 专用 SIMD 指令集。

Milvus 在哪里存储数据？

Milvus 处理两种类型的数据：插入数据和元数据。

插入数据（包括向量数据、标量数据和特定于 Collection 的 Schema）以增量日志的形式存储在持久存储中。Milvus 支持多种 Object Storage 后端，包括 MinIO、AWS S3、谷歌云存储 （GCS）、Azure Blob 存储、阿里云 OSS 和 腾讯云 Object Storage （COS）。

元数据在 Milvus 内部生成。每个 Milvus 模块都有自己的元数据，这些元数据存储在 etcd 中。

为什么 etcd 中没有向量数据？

etcd 存储 Milvus 模块元数据；MinIO 存储实体。

Milvus 支持同时插入和搜索数据吗？

是的。插入操作和查询操作由两个相互独立的模块处理。从客户端的角度来看，当插入的数据进入消息队列时，插入操作即已完成。但是，插入的数据在加载到 QueryNode 之前是不可查询的。如果数据段的大小没有达到建立索引的阈值（默认为 512 MB），Milvus 就会采用暴力搜索，查询性能可能会降低。

能否在 Milvus 中插入主键重复的向量？

可以。Milvus 不检查向量主键是否重复。

当插入具有重复主键的向量时，Milvus 是否将其视为更新操作？

Milvus 目前不支持更新操作，也不检查实体主键是否重复。你有责任确保实体主键是唯一的，如果不是唯一的，Milvus 可能包含多个主键重复的实体。

如果出现这种情况，查询时将返回哪个数据副本仍是未知行为。这一限制将在今后的版本中修复。

自定义 Entity 主键的最大长度是多少？

实体主键必须是非负 64 位整数。

每次插入操作可添加的最大数据量是多少？

插入操作的大小不得超过 1,024 MB。这是 gRPC 规定的限制。

在特定 Partition 中搜索时，Collection 的大小会影响查询性能吗？

不会。如果为搜索指定了 Partition，Milvus 只搜索指定的 Partition。

为搜索指定 Partition 时，Milvus 是否需要加载整个 Collection？

这取决于搜索需要哪些数据。搜索前必须加载搜索结果中可能显示的所有 Partition。

• 例如，如果只想搜索特定 Partition，则不需要加载所有 Partition。调用 load_partition() 加载目标 Partition，然后在 search() 方法调用中指定 Partition。
• 如果要搜索所有 Partition，请调用 load_collection() 加载包括所有 Partition 在内的整个 Collection。
• 如果在搜索前未加载 Collection 或特定 Partition，Milvus 将返回错误。

插入向量后能否创建索引？

可以。如果之前已通过 create_index() 为某个 Collection 建立了索引，Milvus 会自动为随后插入的向量建立索引。不过，在新插入的向量填满整个数据段，且新创建的索引文件与之前的索引文件分开时，Milvus 才会建立索引。

FLAT 和 IVF_FLAT 索引有何不同？

IVF_FLAT 索引将向量空间划分为列表簇。在默认列表值为 16,384 时，Milvus 会比较目标向量与所有 16,384 个簇的中心点之间的距离，以返回探针最近的簇。然后，Milvus 会比较目标向量与所选簇中向量之间的距离，从而得到最近向量。与 IVF_FLAT 不同，FLAT 直接比较目标向量与其他每个向量之间的距离。

当向量总数近似等于 nlist 时，IVF_FLAT 和 FLAT 在计算要求和搜索性能上几乎没有距离。但是，当向量数量超过 nlist 的 2 倍或更多时，IVF_FLAT 就开始显示出性能优势。

更多信息，请参阅 向量索引。

Milvus 如何 Flush 数据？

当插入的数据被摄取到消息队列时，Milvus 返回成功。但是，数据尚未 Flush 到磁盘。然后，Milvus 的 DataNode 会将消息队列中的数据作为增量日志写入持久存储。如果调用 flush()，DataNode 就会被迫立即将消息队列中的所有数据写入持久化存储。

什么是规范化？为什么需要规范化？

归一化指的是转换向量使其法等于 1 的过程。如果使用内积计算向量相似性，则必须对向量进行归一化。归一化后，内积等于余弦相似度。

更多信息，请参见 维基百科。

为什么欧氏距离（L2）和内积（IP）返回的结果不同？

对于归一化向量，欧氏距离（L2）在数学上等同于内积（IP）。如果这些相似度度量返回不同的结果，请检查您的向量是否归一化

Milvus 中的 Collection 和 Partition 总数有限制吗？

有。您最多可以在 Milvus 实例中创建 65,535 个 Collection。在计算现有 Collection 数量时，Milvus 会计算所有包含分片和 Partition 的 Collection。

例如，假设您已经创建了 100 个 Collection，其中 60 个 Collection 有 2 个分片和 4 个 Partition，其余 40 个 Collection 有 1 个分片和 12 个 Partition。当前的 Collection 数量可以计算如下：

Text

60 * 2 * 4 + 40 * 1 * 12 = 960

在搜索 topk 向量时，为什么得到的向量少于 k 个？

在 Milvus 支持的索引中，IVF_FLAT 和 IVF_SQ8 实现了 k-means 聚类方法。数据空间被划分为 nlist 个簇，插入的向量被分配到这些簇中。然后，Milvus 选择离其最近的 nprobe 个簇，并比较目标向量与所选簇中所有向量之间的距离，返回最终结果。

如果 nlist 和 topk 较大，而 nprobe 较小，则 nprobe 簇中的向量数量可能会少于 k。因此，当搜索 topk 最近的向量时，返回的向量数量会少于 k。

为避免这种情况，请尝试将 nprobe 设置得大一些，将 nlist 和 k 设置得小一些。

更多信息请参见 向量索引。

Milvus 支持的最大向量维度是多少？

默认情况下，Milvus 最多可管理 32,768 维的向量。你可以增加 Proxy.maxDimension 的值，以允许更大维度的向量。

Milvus 是否支持苹果 M1 CPU？

目前的 Milvus 版本不直接支持苹果 M1 CPU。Milvus 2.3 之后，Milvus 会提供 ARM64 架构的 Docker 镜像。

Milvus 在主键字段上支持哪些数据类型？

在当前版本中，Milvus 同时支持 INT64 和字符串。

Milvus 可以扩展吗？

是的。您可以在 Kubernetes 上使用 Helm Chart 部署多节点的 Milvus 集群。更多说明请参阅 扩展指南。

什么是 Growing Segment 和 Sealed Segment？

当有搜索请求时，Milvus 会同时搜索增量数据和历史数据。增量数据是最近更新的数据，它们存储在 Growing Segment 中，在达到在 Object Storage 中持久化的阈值之前在内存中缓冲，并为它们建立更高效的索引。历史数据是一段时间前的更新，它们位于已在 Object Storage 中持久化的 Sealed Segment 中。增量数据和历史数据共同构成了整个搜索数据集。这种设计使任何输入到 Milvus 的数据都可以即时搜索。对于 Milvus Distributed 而言，有更复杂的因素来决定刚录入的记录何时可以显示在搜索结果中。在 Consistency Level 了解更多细微差别。

Milvus 可用于并发搜索吗？

是的。对于同一 Collection 的查询，Milvus 会同时搜索增量数据和历史数据。不过，对不同 Collection 的查询是串联进行的。历史数据可能是一个极其庞大的数据集，因此对历史数据的搜索相对更耗时，而且基本上是串联进行的。

为什么相应的 Collection 丢弃后，MinIO 中的数据仍会保留？

MinIO 中的数据被设计为保留一段时间，以方便数据回滚。

Milvus 是否支持 Pulsar 以外的消息引擎？

支持。Milvus 2.1.0 支持 Kafka。

搜索和查询有什么区别？

在 Milvus 中，向量相似性搜索根据相似性计算和向量索引加速检索向量。与向量相似性搜索不同，向量查询是通过基于布尔表达式的标量过滤来检索向量的。布尔表达式会对标量字段或主键字段进行过滤，并检索所有符合过滤条件的结果。在查询中，既不涉及相似度指标，也不涉及向量索引。

为什么在 Milvus 中，浮点向量值的精度是小数点后 7 位？

Milvus 支持将向量存储为 Float32 数组。Float32 值的精度为小数点后 7 位。即使是 Float64 值，例如 1.3476964684980388，Milvus 也将其存储为 1.347696。因此，当你从 Milvus 获取这样一个向量时，Float64 值的精度就会丢失。

Milvus 如何处理向量数据类型和精度？

Milvus 支持二进制、Float32、Float16 和 BFloat16 向量类型。

• 二进制向量：将二进制数据存储为 0 和 1 的序列，用于图像处理和信息检索。
• Float32 向量：默认存储精度约为小数点后 7 位。即使是 Float64 值，也是以 Float32 精度存储的，因此在检索时可能会丢失精度。
• Float16 和 BFloat16 向量：可降低精度和内存使用量。Float16 适用于带宽和存储有限的应用，而 BFloat16 则兼顾了范围和效率，常用于深度学习，在不显著影响精度的情况下降低计算要求。

Milvus 是否支持为标量或向量字段指定默认值？

目前，Milvus 2.4.x 不支持为标量或向量字段指定默认值。该功能计划在未来版本中推出。

仍有问题？

您可以

• 查看 GitHub 上的 Milvus。欢迎提出问题、分享想法并帮助其他用户。
• 加入我们的 Discord 服务器，寻求支持并参与我们的开源社区。