本文描述了ivfsq8索引在Milvus单机部署方式下的测试结果。
测试目标
参数不同情况下的查询时间和召回率。
测试方法
????软硬件环境
操作系统：CentOS Linux release 7.6.1810 (Core)
CPU：Intel(R) Xeon(R) CPU E5-2678 v3 @ 2.50GHz
GPU0：GeForce GTX 1080
GPU1：GeForce GTX 1080
内存：503GB
Docker版本：18.09
NVIDIA Driver版本：430.34
Milvus版本：0.5.3
SDK接口：Python 3.6.8
pymilvus版本：0.2.5
????数据模型
本测试中用到的主要数据:
数据来源：sift1b
数据类型：hdf5
关于该数据集的详细信息请参考：http://corpus-texmex.irisa.fr/ 。
测试指标
Query Elapsed Time: 数据库查询所有向量的时间（以秒计）。影响Query Elapsed Time的变量：
- nq (被查询向量的数量)
备注：在向量查询测试中，我们会测试下面参数不同的取值来观察结果：
被查询向量的数量nq将按照 [1, 10, 200, 400, 600, 800, 1000]的数量分组。
Recall: 实际返回的正确结果占总数之比。影响Recall的变量：
- nq (被查询向量的数量)
- topk (单条查询中最相似的K个结果)
备注：在向量准确性测试中，我们会测试下面参数不同的取值来观察结果：
被查询向量的数量nq将按照 [10, 200, 400, 600, 800, 1000]的数量分组，
单条查询中最相似的K个结果topk将按照[1, 10, 100]的数量分组。
测试报告
????测试环境
数据集：sift1b-1,000,000,000向量, 128维
表格属性：
-
nlist: 16384
-
metric_type: L2
查询设置：
-
nprobe: 32
Milvus设置：
-
cpu_cache_capacity: 150
-
gpu_cache_capacity: 6
-
use_blas_threshold: 1100
（Milvus设置的详细定义可以参考https://milvus.io/docs/en/reference/milvus_config/ ）
测试方法：通过一次仅改变一个参数的值，测试查询向量时间和召回率。
-
查询后是否重启Milvus：否
????性能测试
数据查询
测试结果：Query Elapsed Time
topk : 100
search_resources: gpu0, gpu1
当nq为1000时，在GPU模式下查询一条128维向量需要耗时约17毫秒。
topk : 100
search_resources: cpu, gpu0
当nq为1000时，在GPU模式下查询一条128维向量需要耗时约27毫秒。
（阅读 https://github.com/milvus-io/milvus/blob/0.6.0/docs/test_report/milvus_ivfsq8_test_report_detailed_version_cn.md 获取更详细的信息）
总结
在CPU模式下查询耗时随nq的增长快速增大，而在GPU模式下查询耗时的增大则缓慢许多。当nq较小时，CPU模式比GPU模式耗时更少。但当nq足够大时，GPU模式则更具有优势。
在GPU模式下的查询耗时由两部分组成：（1）索引从CPU到GPU的拷贝时间；（2）所有分桶的查询时间。当nq小于500时，索引从CPU到GPU 的拷贝时间无法被有效均摊，此时CPU模式时一个更优的选择；当nq大于500时，选择GPU模式更合理。
和CPU相比，GPU具有更多的核数和更强的算力。当nq较大时，GPU在计算上的优势能被更好地被体现。
召回率测试
测试结果：Recall of GPU Mode
search_resources: gpu0, gpu1
测试结果：Recall of CPU Mode
search_resources: cpu, gpu0
（阅读 https://github.com/milvus-io/milvus/blob/0.6.0/docs/test_report/milvus_ivfsq8_test_report_detailed_version_cn.md 获取更详细的信息）
总结
随着nq的增大，召回率逐渐稳定至93%以上。
Milvus 源码
github.com/milvus-io/milvus
Milvus 官网
milvus.io
Milvus Slack社区
milvusio.slack.com
Milvus CSDN博客
zilliz.blog.csdn.net
© 2019 ZILLIZ™
