- 文档更新于 2.1.4 版本发布之际，很高兴和大家分享 Milvus 的新变化和产品的成长。
- 作者：Zilliz 合伙人兼技术总监 栾小凡
继年初发布 Milvus 2.0 版本之后，在数百位 Milvus 社区贡献者六个月的共同努力下，我们在早些时候发布了 Milvus 2.1 版本[1]，经过两个月的数次迭代，版本趋于稳定，被国内外头部厂商信任和选择使用。
在此次大版本更新中，最为重要的两个关键词莫过于：易用性和性能。
为了能够打通算法工程师笔记本到海量向量召回生产场景的“最后一公里”，在这个令人激动的版本中，我们除了在程序性能、可扩展性、安全性、可观测性方面做出了诸多改进之外，还增加了以下新特性：字符串数据类型、Kafka 消息队列、Embedded 方式运行 Milvus。
性能提升：3.2 倍只是开始
相较于传统 KNN 检索，Milvus 此前提供的 ANN 检索方式虽然已经带来了质的飞跃。但是，当用户面向亿级大规模向量数据的召回场景时，吞吐量和延迟依旧存在很大的挑战。
在 Milvus 2.1 中，我们主要进行了五个方面的功能改进和性能提升。
更高效的路由协议：5ms 检索延迟
在 Milvus 2.1 中，我们设计了全新的路由协议，并在检索链路中去除了对消息队列的依赖，让小数据集场景下的检索延迟得到了大幅降低。结果显示，当前版本的 Milvus 在百万数据规模的测试中，延迟能够达到 5ms 左右，足以满足搜索、推荐等在线关键链路对于延迟的苛刻要求。
更高性能的并发模型：3.2 倍性能提升
在 Milvus 2.1 中，我们对并发模型也进行了调整。在当前版本中，我们引入了新的代价评估模型和并发调度器。实现了两个关键能力：并发控制和小查询合并。
前者保障了我们既不会存在大量并发请求争抢 CPU 和缓存资源的情况，也不会因为并发太少而导致 CPU 无法被完全利用；后者则是通过在调度器层面智能地合并请求参数一致的小 nq 查询，能够解决在查询 nq 较小、并发又非常高的场景下 Milvus 的性能压力。在这个场景下，业务不需要修改任何一行代码就能够获得 3.2 倍的性能提升。
完整的性能测试报告目前已经在官网公开：《Milvus 2.1 Benchmark Test Report》[2]。
安全高效的内存多副本机制
在 Milvus 2.1 中，我们引入了内存多副本机制。除了能够提升系统在小数据规模下的扩展性和可用性之外，还能够解决读 QPS 较高场景下的性能压力。
这个新机制类似传统数据库中的只读副本功能，能够通过加机器来简单实现系统的横向扩展。特别适合众多向量检索应用场景中的推荐系统应用场景，满足常规推荐系统在小数据集场景下提供远超单机性能限制的 QPS 的需求。
在接下来的版本演进中，我们将基于多副本机制进一步实现 Hedged Read 机制，让系统能够在“故障恢复场景”下避开有问题的副本，快速访问数据和功能正常的副本，充分利用内存冗余提升系统的可用性。
高性能的数据加载实现
Milvus 2.1 中，最后一个性能提升的改动来自于对数据加载的优化。在当前版本的 Milvus 中，我们引入了 Zstandard[3] （zstd），对 Binlog[4] 进行实时数据压缩，大幅减少了数据加载过程中的网络开销，以及对象存储和消息队列中数据所占用的空间。
除此之外，通过引入 Golang 协程池技术，Milvus 实现了在控制内存资源最大使用量的情况下，并发加载 Segment，同样大幅降低了故障恢复时间，以及加载数据所需要的时间。
重磅功能：字符串类型支持与标量索引
向量数据库场景中最常见的用户需求之一是属性过滤[5]，例如“寻找价格在 200～300 元区间与某个用户喜好相似的商品”、“找到带有向量数据库这个关键词并和云原生话题相关的文章”。
在新版本的 Milvus 中，我们支持了变长字符串的数据类型，用户可以将字符串类型用做主键，并作为结果进行输出。当然，也可以基于字符串类型实现比较过滤和前缀匹配。
为了解决以往数据过滤慢的问题，新版本中还增加了针对标量数据的倒排索引实现。
我们基于 Succinct[6] MARISA-trie[7] 实现了字符串类型的倒排索引，能够以极低的内存消耗将全部数据加载进内存，快速进行字符串的比较过滤和前缀匹配操作。相比较 Python 字典的实现，我们仅需要十分之一的内存消耗，就能够完成全部数据的加载并提供查询能力。
在未来的版本中，Milvus 将会持续投入标量查询相关的功能建设，支持更多标量索引类型以及查询算子，提供基于磁盘存储的标量查询能力，持续降低标量数据的存储和使用成本。
易用性提升：让系统更好用
Milvus 支持使用 Kafka 作为消息队列
让 Milvus 使用 Apache Kafka[8] 作为流式存储组件[9]，一直以来是 Milvus 社区中用户呼声最高的功能之一。
得益于 Milvus 2.x 版本中更好的抽象封装，以及来自 Confluent 公司贡献的 Go Kafka SDK，在 Milvus 2.1 版本中，我们提供了一个新的功能：用户可以自行选择配置使用 Pulsar[10] 或者 Kafka 作为流式存储组件。
生产级别的 Java SDK 正式发布
经过测试团队的严密测试，Milvus Java SDK[11] 正式发布。Java SDK 具备了与 Python SDK 完全一致的能力，并且拥有更好的并发性能。在接下来的产品规划中，我们将和社区的同学们一同完善 Java SDK 的文档及使用案例。
晚些时候，Go SDK 和 RESTful SDK 也将进入生产级别的版本发布，敬请期待！
可观测性和可维护性提升
Milvus 2.1 增加了重要的性能监控指标[12]，如：向量插入计数、检索延迟记录、检索吞吐量记录、节点内存开销、CPU 资源开销。
此外，在新版本中，我们对于日志输出也进行了大幅优化，现在用户能够通过调整日志级别，减少日志打印量，更加方便直观地观测系统的运行状况。
Embedded Milvus
Milvus 的出现极大地简化了海量大规模数据检索场景下检索服务的部署。然而，不论是使用 Docker 还是 K8s ，对于想要在更小规模数据上完成算法验证的数据科学家来说，系统部署的过程依旧比较复杂。
随着 Embedded Milvus 的引入，我们现在可以使用 pip 来完成 Milvus 的安装，如同使用 PyRocksDB[13] 和 PySQLite[14] 一样。Embedded Milvus[15] 支持单机和集群版 Milvus 的所有功能，让用户能够在无需修改任何代码的情况下，轻松地从笔记本电脑切换到分布式生产环境，大大减少算法工程师使用 Milvus 进行原型验证的成本。
心动不如行动：体验开箱即用的向量检索
除了以上内容之外，我们在稳定性和可扩展性上也做出了很大的提升，期待您的使用！
如果您在使用过程中遇到了问题，或者有好的建议，欢迎与我们联系！
文章补充资料
- Milvus 2.1 版本 Release Notes[16]
- Milvus 安装文档[17]
参考资料
[1]
Milvus 2.1 版本: https://milvus.io/docs/v2.1.x/release_notes.md
[2]
《Milvus 2.1 Benchmark Test Report》: https://milvus.io/docs/benchmark.md
[3]
Zstandard: http://facebook.github.io/zstd/
[4]
Binlog: https://milvus.io/docs/v2.1.x/glossary.md#Log-snapshot
[5]
属性过滤: https://milvus.io/docs/v2.1.x/hybridsearch.md
[6]
Succinct: https://www.cs.le.ac.uk/people/ond1/XMLcomp/confersWEA06_LOUDS.pdf
[7]
MARISA-trie: https://github.com/s-yata/marisa-trie
[8]
Apache Kafka: https://kafka.apache.org/
[9]
流式存储组件: https://milvus.io/docs/v2.1.x/deploy_pulsar.md
[10]
Pulsar: https://pulsar.apache.org/
[11]
Java SDK: https://github.com/milvus-io/milvus-sdk-java
[12]
性能监控指标: https://milvus.io/docs/v2.1.x/metrics_dashboard.md
[13]
PyRocksDB: https://github.com/stephan-hof/pyrocksdb
[14]
PySQLite: https://github.com/ghaering/pysqlite
[15]
Embedded Milvus: https://github.com/milvus-io/embd-milvus
[16]
Release Notes: https://milvus.io/docs/v2.1.x/release_notes.md
[17]
安装文档: https://milvus.io/docs/v2.1.x/install_standalone-docker.md
