向量数据库库Milvus Cloud2.3 运维可靠，秒级故障恢复

最新推荐文章于 2024-11-09 21:51:58 发布
最新推荐文章于 2024-11-09 21:51:58 发布
阅读量134 收藏
点赞数
分类专栏： 《向量数据库指南》 文章标签： 数据库 milvus 运维 elasticsearch 阿里云 人工智能 维格云
大禹智库
本文链接：https://blog.csdn.net/qinglingye/article/details/133265215
版权
Milvus 2.3.x 版本着重提升了运维的可靠性，实现秒级故障恢复，加强了稳定性与扩缩容能力。新增Look Aside Loadbalancer可在节点故障时快速切换流量，优化的内存管理和滚动升级功能进一步提升了系统稳定性。
摘要由CSDN通过智能技术生成

Milvus 2.3.0 已经发布有一段时间了，正如二选一的选择题总会让人陷入纠结一般，不少社区用户反馈对于选择 Milvus 2.2.x 还是 Milvus 2.3.x 犹豫不已。

对此，我们的回答是：强烈建议升级至 Milvus 2.3.x 版本。

为什么？在回答此问题之前，先回顾一下近一年来业界发生了哪些变化：首先最大的变化是 AGI 时代的到来引爆了向量数据库赛道，带来了全新的用户群体和多样化的场景需求。与此同时，创业者们似乎也在一夜之间发现了向量数据库的蓝海，纷纷投身这个热门赛道，新用户们穿梭在鱼龙混杂的产品中难以抉择。

在此背景下，Milvus 2.3.0 版本正式发布，并将于近期更新至 2.3.1。接下来，我们将从技术选型、开发体验、运维可靠三个角度分别说明强烈推荐大家使用或升级至 Milvus 2.3.x 版本的原因。

运维可靠，秒级故障恢复

了解本专栏 订阅专栏 解锁全文 超级会员免费看
大禹智库
关注
专栏目录
订阅专栏
向量数据库库Milvus Cloud2.3 的Q&A问题
实战AI智能体
09-27 159
原本进行查询的时候，Milvus 存在一定的限制，只能查询 1 万多条数据，而 Milvus 2.3 的参数是可配的，对自己有信心的用户可以将参数调得更大一些。未来， Milvus 的版本更新会始终遵循更多新特性、更稳定、更高效的原则。不过，在从 3 月至 4 月的时间周期中，市场和行业发生了巨大变化，随之而来的是社区用户的需求的变化。例如，从部署环境来看，Milvus 原来只支持 X86 架构的 CPU，版本升级后，不仅可以支持 GPU，还能够支持 ARM 架构的 CPU。前面已经提过，这里不多做赘述。
向量数据库库Milvus Cloud2.3 技术选型中性能、成本、扩展性是重点
实战AI智能体
09-25 372
通过将数据加载到本地磁盘再将磁盘 MMap 到内存的方案提升单机数据的容量，经过测试，使用 MMap 技术后单机数据容量提升了 1 倍而性能下降在 20% 以内，大大节约了整体成本，欢迎有需求的用户试用此功能。对于追求极致性能的用户而言，Milvus 2.3.x 提供了 GPU 版本，其中 GPU 索引经过 Nvidia 工程师的优化，可以很好地适配 GPU，性能呈现比 CPU 版本快 3 - 10 倍，不过，GPU 成本相对于 CPU 而言更高。当然，性能和成本两者很多时候不可兼得，只能在其中做取舍。
向量数据库库Milvus Cloud2.3 开发体验，几行代码快速实现原型
实战AI智能体
09-26 133
Milvus 在 2.3.x 中为上述场景增强了 API，满足了用户不同场景下的快速开发需求。例如 upsert 功能，我们能为用户提供 insert 或 update 的功能，在用户有数据覆盖的需求时，仅需一行代码即可满足需求，不需要进行查询、检查、再写入这些繁琐步骤。单从查询来说，用户会有 topk 向量的查询，有向量距离在某个范围内的查询，还会有根据属性过滤数据的需求，且对于向量距离的计算方式有 IP、Cosine 等多种计算需求，以及通过迭代器的方式批量获取数据等。Milvus 增量订阅。
Milvus Cloud 存储组件详解：构建高效、可靠的数据生态系统
实战AI智能体
08-02 432
综上所述，Milvus Cloud通过其精心设计的存储组件架构——元数据存储、对象存储和消息存储——构建了一个高效、可靠的数据生态系统。这些组件各自承担着不同的职责和角色，通过协同工作确保了数据的完整性和系统的可用性。随着技术的不断发展和用户需求的不断变化，Milvus Cloud将持续优化其存储组件的性能和功能，为用户提供更加优秀的向量搜索解决方案。
docker删除mongo数据库库_docker使用及运维
weixin_42101641的博客
01-04 943
docker是什么？docker是一个能帮助广大程(dan)序(shen)猿(gou)脱离“各种配置环境”苦海的工具。同时能最大化利用服务器(电脑)的资源，性能比虚拟机好很多很多。一个实际开发场景：项目中需要使用两种数据库redis与mongo，我们可使用docker来加快开发进度，一条命令就能搭建好redis、mongo服务器。从此再也不再需要像以前那样先在服务器上安装各种依赖，美滋滋...
中国5级行政区域mysql数据库库_GitHub - liangyuquan/china_area_mysql: 中国5级行政区域mysql库...
weixin_36436683的博客
02-22 577
china_area_mysql中国5级行政区域mysql库爬取国家统计局官网的行政区域数据,包括省市县镇村5个层级;港澳地区的数据只有3级;台湾地区4级;包含大陆地区的邮政编码和经纬度信息.cnarea20150930.7z是最新爬取2015年的数据,截止2015年09月30日.全部共749756条·大陆数据共714048条,其中省/直辖市 31市/州 346县/区 3196乡/镇 40798村...
docker删除mongo数据库库_Mongodb数据库误删后的恢复方法(两种)
weixin_42663213的博客
12-31 850
本文给大家分享两种方法来实现Mongodb数据库误删后的恢复，每种方法给大家介绍的都非常详细，需要的朋友参考下吧方法一：通过 oplog 恢复如果部署的是 MongoDB 复制集，这时还有一线希望，可以通过 oplog 来尽可能的恢复数据；MongoDB 复制集的每一条修改操作都会记录一条 oplog，所以当数据库被误删后，可以通过重放现有的oplog来「尽可能的恢复数据」。前不久遇到的一个用户，...
中国5级行政区域mysql数据库库_GitHub - neichen/china_area_mysql: 中国5级行政区域mysql库...
weixin_34722747的博客
02-22 428
china_area_mysql中国5级行政区域mysql库爬取国家统计局官网的行政区域数据,包括省市县镇村5个层级;港澳地区的数据只有3级;台湾地区4级;包含大陆地区的邮政编码和经纬度信息.cnarea20150930.7z是最新爬取2015年的数据,截止2015年09月30日.全部共749756条·大陆数据共714048条,其中省/直辖市 31市/州 346县/区 3196乡/镇 40798村...
docker删除mongo数据库库_在Docker中创建Mongodb数据库
weixin_31270363的博客
12-23 353
步骤一(拉取最新版本的Mongo)：docker pull mongo：latest步骤二(启动容器)：docker run it mongo /bin/bash ### 进入交互式mongo容器docker run -p 27017:27017 --name mymongo mongo ### 可以设置IP启动mongo服务：mongod &mongo将文件复制到docker容器...
07 Oracle数据库恢复基础解析：从检查点到归档，一步步构建数据安全防线
最新发布
超哥的博客
11-09 1020
检查点是Oracle数据库中的一个特殊事件，它的作用是将内存中的数据块同步到磁盘上，以确保数据的持久性。简单来说，就是让数据库“记住”到目前为止所有的更改。Redo日志是Oracle用来记录所有数据更改的日志文件。每次对数据库进行修改时，都会先写入Redo日志，然后再写入数据文件。这样，即使系统崩溃，也能通过Redo日志恢复数据。当数据库运行在归档模式下时，一旦当前的Redo日志文件满，Oracle会将其复制到一个安全的存储位置，并标记为已归档。这样可以长期保留Redo日志，便于历史数据的恢复。
2024.11.6-Redis的事务与持久化
whisper_Java 的博客
11-06 822
MULTI、EXEC、DISCARD和WATCH 是 Redis 事务相关的命令。Redis的事务是将一系列待执行的指令存到一个Queue中，并使用exec执行事务。​--1. Redis事务是一个独立的隔离机制：事务中的所有命令都会序列化到queue、并按顺序地执行queue里的指令。事务在执行的过程中，不会被其他客户端发送来的命令请求所打断。​​multi: 用于开启事务，将待执行的命令放入到队列中exec命令:负责触发并执行事务中的所有命令：discard: 用于取消组队。
Redis - 事务
ketil27的博客
11-08 853
Redis 的事务和MySQL的事务概念上是类似的.都是把⼀系列操作绑定成⼀组.让这⼀组能够批量执 ⾏.弱化的原⼦性:redis没有"回滚机制".只能做到这些操作"批量执⾏".不能做到"⼀个失败就恢复到 初始状态".不保证⼀致性:不涉及"约束". 也没有回滚.MySQL的⼀致性体现的是运⾏事务前和运⾏后,结果都 是合理有效的,不会出现中间⾮法状态.不需要隔离性:也没有隔离级别,因为不会并发执⾏事务(redis单线程处理请求).
windows11安装redis
qq_42985657的博客
11-06 424
下载免安装版本，鼠标点击一下自动下载。解压。
【达梦数据库】Oracle数据库通过DTS工具迁移数据到达梦数据库--索引数量存在出入
weixin_47686079的博客
11-06 152
【代码】【达梦数据库】Oracle数据库通过DTS迁移到达梦数据库索引数量不一致。
SpringBoot助力的共享汽车业务优化系统
2402_85762143的博客
11-09 1055
在整个系统测试中，根据需求文档和设计文档，逐一对功能进行检测并写好测试用例，有效避免残片缺陷，因为产品出现缺陷不仅影响功能，而且可以导致数据的不准确，导致产品质量的降低，经过测试，才能使得产品的稳定性和成熟度得到极大的提升，产品质量也才有保证。近来，软件工程界趋向于一种新的观点，即认为软件生命周期每一阶段中都应包含测试，从而检验本阶段的成果是否接近预期的目标，尽可能早的发现错误并加以修正，如果不在早期阶段进行测试，错误的延时扩散常常会导致最后成品测试的巨大困难。任务：消除软件故障，保证程序的可靠运行。
基于 SpringBoot 实现QQ邮箱验证码注册功能
2301_79201049的博客
11-06 659
找到并开通以下的邮件协议服务，而且服务开启也较为简单，需要我们发送一个短信到指定的号码，开启后平台会提供一个授权码，一定要记住这个授权码，发邮件的时候需要这个。host 是根据服务主机区分，网易邮箱是 smtp.163.com, qq邮箱是 smtp.qq.com。其中的 username 是你第一步中操作的邮箱账号，nickname 是接收者收到邮件中显示的发件人。发送邮件的核心依赖是 mail ，由于该项目还涉及其他依赖就全都导进来了。（1）首先打开QQ邮箱，点击设置并来到账号页面。
Java基于小程序公考学习平台的设计与实现（附源码，文档）
chusheng1840的博客
11-09 1048
Java基于小程序公考学习平台的设计与实现，小程序公考学习平台使用Java语言进行编码，使用Mysql创建数据表保存本系统产生的数据。系统可以提供信息显示和相应服务，其管理小程序公考学习平台信息，查看小程序公考学习平台信息，管理小程序公考学习平台。总之，小程序公考学习平台集中管理信息，有着保密性强，效率高，存储空间大，成本低等诸多优点。它可以降低信息管理成本，实现信息管理计算机化。关键词：小程序公考学习平台；Java语言；Mysql。
现场工程师日记-MSYS2迅速部署PostgreSQL主从备份数据库
丁劲犇技术发布空间
11-09 909
用一主一从两个PostgreSQL实例，基于默认的WAL replica 是最简单的主从方式。对16TB的盘阵，我们保留102GB的WAL空间，这样即使从节点废了，过了1天再开机，也能赶上（主机WAL还没被清理）。本文章介绍从0开始部署主从服务器的步骤。
springboot使用aop防御用户重复请求
干货分享，希望帮助读者不断提升自己的编程技能，解决工作中实际问题，并激发对技术的无限热爱。
11-09 604
使用springboot，aop技术防御用户重复请求，减少无效请求，可以更有效地分配资源，提高资源利用率。
高效、灵活的向量数据库库
06-04
根据您提供的信息，以下是两个高效、灵活的向量数据库库： 1. Faiss：一个Facebook开发的向量数据库库，可以处理高维向量的索引和搜索，支持多种距离度量方式、索引结构和查询算法。此外，Faiss还具有可扩展性和内存效率等特性，因此在许多工业应用程序中得到广泛应用。[^1] ```shell # Faiss库安装 conda install -c pytorch faiss-cpu ``` ```python # Faiss库实例化及用法 import numpy as np import faiss # 实例化一个FlatL2索引器 index = faiss.IndexFlatL2(128) # 随机生成一些128维的向量 xb = np.random.rand(10000, 128).astype('float32') # 将向量添加到索引器中 index.add(xb) # 从索引器中搜索与查询向量最相似的向量 xq = np.random.rand(1, 128).astype('float32') D, I = index.search(xq, 5) print(I) ``` 2. Annoy：一个快速的、轻量级的向量数据库库，可以用于相似向量的搜索和聚类。Annoy支持多种距离度量方式和索引结构，可以实现大规模向量的高效搜索和存储。[^2] ```shell # Annoy库安装 pip install annoy ``` ```python # Annoy库实例化及用法 from annoy import AnnoyIndex import random # 实例化一个Annoy索引器 t = AnnoyIndex(128, 'angular') # 生成一些128维随机向量 for i in range(10000): v = [random.gauss(0, 1) for z in range(128)] t.add_item(i, v) # 构建Annoy索引器 t.build(10) # 搜索与查询向量最相似的向量 u = [random.gauss(0, 1) for z in range(128)] idx = t.get_nns_by_vector(u, 5) print(idx) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

大禹智库

大禹智库——河南第一民间智库

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值