文献分享: Vamana图算法以及面向SSD的DiskANN

原文章: DiskANN: fast accurate billion-point nearest neighbor search on a single node

---

$\text{1. }$写在前面

$\text{1.1. }$预备知识与文中标记

1️⃣最邻近查询问题：

1. 精确最邻近($k\text{-NN}$)：
   • 含义：在数据库$P$中，找到离查询点$q$最近的$k$个点
   • 瓶颈：由于维度诅咒的存在，$k\text{-ANN}$无法突破线性暴力扫描，故引入近似最邻近查询
2. 近似最邻近($k\text{-ANN}$)：
   • 含义：$k\text{-NN}$的$\text{Recall<100\%}$版本，需要在检索速度和$\text{Recall}$中权衡
   • 一些针对$k\text{-ANN}$的索引

     算法	优点	缺点
     $\text{k-d Tree}$	索引空间小，低维下表现良好	维度大于$\text{20}$时性能急剧下降
     $\text{LSH}$	最坏情况下有理论保障	无法利用数据分布
     图类($\text{HNSW/NSG}$)	高维度下表现良好	索引(图)构建极其耗时

2️⃣其它预备知识

1. 倒排索引($\text{Inverted Index}$)：用于快速全文检索的数据结构，示例如下
   • 文档

     Doc1: fat cat rat rat 
     Doc2: fat cat 
     Doc3: fat
     

   • 构建的倒排索引

     fat: Doc1 Doc2 Doc3
     cat: Doc1 Doc2
     rat: Doc1
     

2. 查询性能指标：
   • $m\text{-recall@}n=\frac{|A\cap B|}{|A|}=\frac{|A\cap B|}{m}$
   • 其中$A\text{=}$查询点真实的前$m$个最邻近集合，$B\text{=}$算法返回的前$n$个结果集合
3. 中位数结点($\text{Medoid}$)：数据集中，到所有其它点平均距离最小的点
4. $\text{PQ}$算法原理：$\text{M}$维原始向量$\stackrel{分割}{\to }$$\text{N}$个$\frac{\text{M}}{\text{N}}$维子向量$\underset{(寻求每个子向量最近的质心\text{Index})}{\overset{向量量化}{\to }}$$\text{N}$维短代码(向量)

3️⃣本文符号表示

符号	含义与备注
$P$	数据集(点集)，点集规模用$
$G\text{=}(P,E)$	有向图，顶点集为$P$边集为$E$
$N_{\text{out }}(p)$	查询点$p$的出边集合
${\mathbf{x}}_p$	查询点$p$的向量表示
$d(p,q)$	查询点$p$和$q$之间的欧氏距离

$\text{1.2. }$关于大规模索引：本文的背景与研究

1️⃣大规模数据的索引：在十亿级个点中找最邻近，主要有以下两种方法

1. 倒排索引$\text{+}$数据压缩：$\text{FAISS}$($\text{TBDATA’19}$)，$\text{IVFOADC+G+P}$$\text{(ECCV’18)}$
   • 方法概述：

     方法	含义
     数据分区	将数据库点分为多个分区，查询最邻近时只考虑查询点附近几个分区
     数据压缩	即产品量化，原始高维向量$\underset{每个子向量量化成低维}{\overset{分为多个低维子向量}{\to }}$低维向量

   • 硬件性能：占用内存较小(十亿点索引后小于$\text{64GB}$)$\text{+}$可利用$\text{GPU}$加速压缩后的数据
   • 查询性能：对于$\text{1-recall@}k$，$k\text{=1}$时较低$k\text{=100}$时较高
2. 分片($\text{Shard}$)法：$\text{MRNG}$$\text{(VLDB’19)}$
   • 索引构建：分割数据为多片$\to$为每片构建索引(并加载到内存中)，其中数据维度并未压缩
   • 查询流程：查询请求发给每片/特定几片$\to$相应片执行查询$\to$排序合并各片查询结果
   • 性能：由于未压缩故占用内存较大，但也正因此查询精准度更高，扩展成本极大

2️⃣大规模索引的难题：物理化$\text{RAM or SSD}$

1. 目前$\text{ANN}$算法的索引都存储在$\text{RAM}$中，可实现高速存取但存储空间贵
2. 将$\text{ANN}$索引放在$\text{SSD}$的尝试：
   • $\text{SSD}$的读取延时比$\text{RAM}$高出几个数量级，对查询性能是灾难性的
   • 改进途径在于，减少每次查询所需读取$\text{SSD}$磁盘的次数

3️⃣本文对大规模索引的贡献：提出依托图算法$\text{Vamana}$的$\text{DiskANN}$，使$\text{SSD}$也能支持大规模$\text{ANN}$

1. 关于$\text{Vamana}$图算法：
   • 生成图索引直径远小于$\text{NSG/HNSW}$的$\to \{\begin{array}{l}若放内存中:性能优于\text{HNSW/NSG}\\ \\ 若放磁盘中:减少\text{DiskANN}访问磁盘次数\end{array}$
   • 为分割后的每个(重叠)数据分区构建$\text{Vamana}$索引再合并成大索引，与不分割暴力构建性能相当
   • $\text{Vamana}$图构建可与$\text{PQ}$结合$\to \{\begin{array}{l}放内存中的:压缩向量\\ \\ 放磁盘中的:全精度向量\text{+}构建的图索引\end{array}$
2. 关于$\text{DiskANN}$的实际表现：
   • 条件：$\text{64GB}$内存，十亿个百维数据点
   • 性能：$\text{1-recall@1=95}\%$并且$\text{Latency<5ms}$

$\text{2. }$$\text{Vamana}$图构建算法

$\text{2.1. }$ $\text{ANN}$图算法: 构建/剪枝/查询

1️⃣图查询算法：贪心搜索$\text{GreedySearch}\left(s,{\mathrm{x}}_q,k,L\right)$

2️⃣图构建与剪枝算法

1. 图构建算法：稀疏邻居域图$\text{SNG}$$\text{(SODA’93)}$，对$\forall p\text{∈}P$按照以下方法确定出边
   
   • 目的：使$\text{GreedySearch}$算法能从任意点快速收敛到最邻近的充分条件
   • 缺陷：构建时间复杂度为$O(n^2)+$生成图在直径/密度上无灵活性
2. 图剪枝算法：健壮性剪枝$\text{RobustPrune}(p,R,\alpha ,L)$
   
   • 目的：构建稀疏图(避免冗余连接)$+$保持连通性
   • 关于剪枝条件：对于$p$，如果可以通过其最邻近$p^{\ast }$快速到达$p{}^{\prime }$，那么就没必要直连$p$与$p{}^{\prime }$

$\text{2.2. Vamana}$

1️⃣$\text{Vamana}$的提出的背景

1. 贪心搜索：算法从初始点$\stackrel{接近}{\to }$最邻近的距离递减模式

   图结构	距离递减模式	磁盘读取	示例
   传统$\text{SNG}$	逐步线性缓慢减少	高频	D → D-d → D-2d →...→ 0
   $\text{RobustPrune}$后	按以$\alpha \text{>1}$的指数快速收敛	低频	D → D/α → D/α² →...→ 0

2. 全局候选集的剪枝： RobustPrune ( p , P \ { p } , α , ∣ P ∣ − 1 ) \text{RobustPrune}(p, P \backslash\{p\}, \alpha, |P|-1) RobustPrune(p,P\{p},α,∣P∣−1)，其中$|P|=n$
   • 含义：考虑所有的结点可作为$p$的潜在出邻居
   • 性能：可使$\text{GreedySearch}(s,p,1,1)$在$O(\log n)$事件内收敛到$p$，但构建复杂度高达$O(n^2)$
3. $\text{Vamana}$改进思路：将候选集大小由$n-1$缩小至$O(\log n)$或$O(1)$，使构建复杂度降到$O(n\log n)$

2️⃣$\text{Vamana}$索引算法

1. 算法输入：

   类型	备注
   数据集	$P$为数据集(用于构建图$G$)，含$n$个数据点(第$i$点的坐标为${\mathrm{x}}_i$)
   参数	$\alpha$为距离阈值(控制剪枝)，$L$为列表大小(控制搜索广度)，$R$为结点出度限制

2. 算法流程：
   
   • 添加反向边的意义：确保访问集$V$中所有点都可与$p$连接，使后续搜索可快速收敛到$p$
   • 算法需两次遍历：令$\alpha \text{=}1$初步构建一次(确保连通)$+$令$\alpha \text{>}1$(用户定义)再构建一次(优化收敛)

3️⃣$\text{Vamana/HNSW/NSG}$的对比

1. 共同：都是用$\text{GreedySearch}\left(s,p,1,L\right)$和$\text{RobustPrune}(p,\mathcal{V},\alpha ,R)$来确定$p$邻居
2. 不同：

   不同点	$\text{Vamana}$	$\text{HNSW}$	$\text{NSG}$	备注
   $\alpha$可调	✅	❌($\alpha \text{=}1$)	❌($\alpha \text{=}1$)	使$\text{Vamana}$可很好权衡度数和直径
   剪枝$\mathcal{V}$	$GS$访问集	$GS$结果集	$GS$访问集	使$\text{Vamana/NSG}$有长距边(无需层次)
   初始图	随机图	空图	近似$k\text{-NN}$图	随即图质量高于空且成本远低于$k\text{-NN}$图
   遍历	两次	一次	一次	基于观察，二次遍历可以提高图的质量

$\text{3. DiskANN}$总体设计: 索引$\&$搜索

$\text{3.0. }$概览

1️⃣$\text{DiskANN}$总体工作流程

1. 索引构建：将数据集$P$加载入内存$\to$在$P$上运行$\text{Vamana}$$\to$将生成图存储在$\text{SSD}$上
2. 查询方式：从$\text{SSD}$加载图信息到内存$\to$获取邻居信息$+$计算/比较距离$\to$迭代搜索

2️⃣$\text{DiskANN}$索引布局

介质	每点存储	每边(图结构)存储
内存	压缩向量	$\text{NULL}$
$\text{SSD}$	原始向量	存储每点定长$R$的邻居标识(邻居$\text{<}R$时补$0$)

1. 关于定长邻居标识：
   • 使得$\text{SSD}$对每点的存储(全精度向量$+$邻居标识)都是定长的
   • 遍历了偏移的计算(${\text{OffSet}}_i=i\text{×FixedSize}$)，无需再在内存中存储偏移信息
2. $\text{SSD}$存储的扇结构
   • 将一点定长的全精度向量$+$邻居标识$\stackrel{统一放在}{\leftrightarrow }$一个扇区中对齐(如$\text{4KB}$)
   • 对$\text{SSD}$的读取以扇为单位，比如读取某点邻居信息时$\to$必定能同时获取该点全精度向量

$\text{3.1. }$索引构建设计: 面向内存空间的优化

1️⃣存在的问题：

1. 构建过程需先将数据点向量载入内存
2. 一股脑将全部数据暴力载入内存将导致内存过载

2️⃣构建优化：将数据集$P$进行重叠分簇

1. 步骤：
   • 划分：用$k\text{-means}$将$P$分为多干簇(每簇有一中心)，再将$P$所有点分给$\ell \text{>}1$个中心以构成重叠簇
   • 索引：在每个重叠簇中执行$\text{Vamana}$算法，构建相应有向边
   • 合并：将所有构建的有向边合并在一个图中，完成构建
2. 重叠分簇：为了保证图的连通性，以及后续搜索的$\text{Navigable}$

$\text{3.2. }$查询方法设计

$\text{3.2.1. }$查询方法设计: 面向减少$\text{SSD}$访问的优化

1️⃣$\text{BeamSearch}$算法

1. 算法流程：$\text{BeamSearch}$与$\text{GreedySearch}$
   
2. 优化原理：
   • 一次性获取多点的邻居信息，有助于减少访问$\text{SSD}$的频次
   • 从$\text{SSD}$获取多个(但少量)随机扇区，与获得一个扇区所需时间几乎相同
3. 带宽参数$\text{W}$：
   • 含义：$\text{BeamSearch}$一次性获取$W$个结点($p^{\ast }$及其$W\text{-}1$个邻居)的邻居信息
   • 选取：当$W$增加时吞吐量增加$+$延时会因$\text{IO}$饱和而恶化，$\text{Trade-Off}$实验结果如下

     $W$大小	对性能的影响
     $W=1$	$\text{BeamSearch}$退化为$\text{GreedySearch}$
     $W=2,4,8$	可在延迟和吞吐量之间取得良好平衡
     $W>16$	容易导致$\text{IO}$队列饱和从而增加延时

2️⃣$\text{DiskANN}$缓存

1. 原理：将$\text{SSD}$中一部分结点缓存到$\text{DRAM(Cache)}$中，以超高速访问并避免访问$\text{SSD}$
2. 缓存策略：
   • 基于已知的查询分布
   • 从$s$开始在$C\text{=}3,4$跳的结点 (节点数随$C$指数增长$\text{→}C$不宜太大)

$\text{3.2.2. }$查询方法设计: 面向内存空间的优化

1️⃣存在的问题：

1. 查询过程需先将$\text{SSD}$中存储的图结点(向量)载入内存
2. 将全精度向量暴力载入内存会导致内存过载

2️⃣查询优化：使所有结点能放进内存

1. 用$\text{PQ}$将所有$p\text{∈}P$(以及查询点)压成低维$\widetilde{x_p}$并载入内存
2. 查询时对比近似距离$d\left(\widetilde{x_p},{\mathrm{x}}_q\right)$

3️⃣隐式重排($\text{Implicit Re-Ranking}$)：全精度距离计算的隐式方法

1. 原理与流程：
   • 邻居扩展阶段：先用近似距离运行算法得到若干候选点
     • 这一过程中$\text{BeamSearch}$缓存结点邻居(候选点)时也会缓存其全精度向量
   • 剪裁阶段：再用精确距离重算候选点与查询点距离，排序后返回离$q$最近的$L$个候选点
2. $\text{Ps. }$这正是有必要在$\text{SSD}$中存放全精度向量的原因

$\text{4. }$评估与对比

1️⃣$\text{HNSW/NSG/Vamana}$的$\text{In-Memory}$搜索性能​评估

1. 实验设置

   $\text{item}$	设置	备注
   数据集	$\text{SIFT1M/GIST1M/DEEP1M}$	高维/百万数量级数据集
   物理实现	数据都完全加载到内存中	$\text{Vamana}$也在内存(而非$\text{SSD}$)上实现

2. 实验结果(相同延迟下$\text{Recall}$更高者视为更好)：
   • 所有情况下$\text{NSG}$和$\text{Vamana}$好于$\text{HNSW}$，在最高维数据上$\text{Vamana}$性能最佳
   • $\text{Vamana}$索引构建时间最快

2️⃣$\text{HNSW/NSG/Vamana}$的跳数($\text{Hops}$)评估

1. 跳数：搜索关键路径上磁盘读取的轮次数，直接影响搜索延时
2. 实验结果：
   • $\text{Vamana}$可大幅减少跳数(从而快速收敛)，尤其在高维数据上
   • 随着$\alpha$和最大出度的增加$\text{Vamana}$跳数会减少，而$\text{NSG/HNSW}$的基本不变

3️⃣$\text{HNSW/NSG/Vamana}$在十亿级数据上的评估

1. 两种$\text{Vamana}$算法：
   • 单一$\text{Vamana}$：将十亿级数据整块载入内存暴力构建
   • 合并$\text{Vamana}$：将十亿级数据进行(重叠)分簇$\to$每簇分别构建$\to$合并
2. 实验结果
   • 单一索引的性能优于合并索引，这源于合并索引需要遍历更多结点才能找到相同邻域
   • 合并索引也超过了其它算法，故可认为合并索引更能权衡内存$\leftrightarrow$性能

4️⃣$\text{IVF-based}$方法$\text{/Vamana}$在十亿级数据上的评估

1. 关于$\text{FAISS}$：由于其性能劣于$\text{IVFOADC+G+P}$以及需要$\text{GPU}$构建索引，故忽略
2. 对于$\text{IVFOADC+G+P}$：分别使用$\text{16/32}$字节的$\text{OPQ}$码本构建，$\text{IVFOADC+G+P-32}$性能更优
3. 对于$\text{DiskANN}$：在与$\text{IVFOADC+G+P-32}$相同内存占用下比较，性能远优