pgvector

1. 概述

向量数据库是生成式人工智能(GenAI)的关键组成部分。pgvector作为PostgreSQL的重要扩展,不仅能够支持高达16000维度的向量计算,还提供了强大的向量操作和索引功能,使得PostgreSQL能够直接转化为高效的向量数据库。由于IvorySQL基于PostgreSQL研发,这使得它具备了与pgvector扩展无缝集成的能力,从而为用户提供了更广泛的数据处理和分析选项。在Oracle兼容模式下,pgvector扩展同样可用,这为Oracle用户使用向量数据库提供了极大的便利,使其能够轻松地迁移和管理数据,实现更高效的业务操作。

2. 原理介绍

IVFFLAT和HNSW是PGVector的两个索引算法

2.1. IVFFLAT

IVFFLAT的工作原理是将相似的向量聚类为区域,并建立一个倒排索引,将每个区域映射到其向量。这使得查询可以集中在数据的一个子集上,从而实现快速搜索。通过调整列表和探针参数,ivfflat 可以平衡数据集的速度和准确性,使 PostgreSQL 有能力对复杂数据进行快速的语义相似性搜索。通过简单的查询,应用程序可以在数百万个高维向量中找到与查询向量最近的邻居。对于自然语言处理、信息检索等,ivfflat 是一个比较好的解决方案 在建立 ivfflat 索引时,你需要决定索引中包含多少个 list。每个 list 代表一个 "中心";这些中心通过 k-means 算法计算而来。一旦确定了所有中心,ivfflat 就会确定每个向量最靠近哪个中心,并将其添加到索引中。当需要查询向量数据时,你可以决定要检查多少个中心,这由 ivfflat.probes 参数决定。这就是 ANN 性能/召回率的结果:访问的中心越多,结果就越精确,但这是以牺牲性能为代价的。

2.2. HNSW

HNSW (Hierarchical Navigating Small World) 是一种基于图的索引算法,它由多层的邻近图组成,因此称为分层的 NSW 方法。它会为一张图按规则建成多层导航图,并让越上层的图越稀疏,结点间的距离越远;越下层的图越稠密,结点间的距离越近。HNSW 算法是一种经典的空间换时间的算法,它的搜索质量和搜索速度都比较高,但是它的内存开销也比较大,因为不仅需要将所有的向量都存储在内存中。还需要维护一个图的结构,也同样需要存储。

3. 安装

环境中已经安装了IvorySQL5及以上版本,安装路径为/usr/local/ivorysql/ivorysql-5

3.1. 源码安装

  • 设置PG_CONFIG环境变量

    export PG_CONFIG=/usr/local/ivorysql/ivorysql-5/bin/pg_config
  • 拉取pg_vector源码

    git clone --branch v0.8.1 https://github.com/pgvector/pgvector.git
  • 安装 pgvector

    cd pgvector
    
    sudo --preserve-env=PG_CONFIG make
    sudo --preserve-env=PG_CONFIG make install
  • 创建pgvector扩展

    [ivorysql@localhost ivorysql-5]$ psql
    psql (18.6)
    Type "help" for help.
    
    ivorysql=# create extension vector;
    CREATE EXTENSION

    至此,pgvector扩展安装已完成。 更多用例,请参考 pgvector文档

4. Oracle兼容性

在IvorySQL Oracle兼容模式下,pgvector扩展同样可以正确运行

建议用户使用1521端口进行测试, psql -p 1521

4.1. 双监听端口

Oracle 模式集群中,同一个 postmaster 会同时监听两个端口,连哪个端口就由哪套解析器接管:

参数

默认端口

连该端口时生效的解析器

port

5432

PostgreSQL 解析器(ivorysql.compatible_mode = pg)

ivorysql.port

1521

Oracle 兼容解析器(ivorysql.compatible_mode = oracle)

两个参数都有内置默认值,postgresql.conf 里不写也照样生效。用 psql 分别连接两个端口就能看到差别:

$ psql -h 127.0.0.1 -p 1521 -d postgres -c "select current_setting('ivorysql.compatible_mode'), current_setting('ivorysql.port'), current_setting('port')"
 current_setting | current_setting | current_setting
-----------------+-----------------+-----------------
 oracle          | 1521            | 5432
(1 row)

$ psql -h 127.0.0.1 -p 5432 -d postgres -c "select current_setting('ivorysql.compatible_mode'), current_setting('ivorysql.port'), current_setting('port')"
 current_setting | current_setting | current_setting
-----------------+-----------------+-----------------
 pg              | 1521            | 5432
(1 row)

同一个用户、同一个数据库、同一个集群,只换了连接端口,会话的兼容模式就跟着变。模式在连接建立时确定,判定依据是服务端本地端口,与客户端地址、用户名、数据库名都无关。

要判断当前会话处在哪种模式,请读 current_setting('ivorysql.compatible_mode')。

不要用 show port 或 show ivorysql.port:这两个值在两个端口上的输出完全一样(5432 和 1521),它们描述的是监听器,不是会话模式。

ivorysql.compatible_mode 可以在会话里用 SET 临时改掉,但重连即复位,新连接会被端口重新判定一次。ivorysql.database_mode 则是集群属性,在 initdb 时写进 pg_control,与连哪个端口无关。

两个监听端口必须不相等。默认的 5432 与 1521 本身正确,不需要额外配置。

不要用 pg_ctl -o "-p 1521" 启动服务:-o 只覆盖 PostgreSQL 侧的 port,改不动 ivorysql.port,两个 1521 撞在一起,服务直接起不来——和把 port 改成 1521 是同一个冲突。

也不要在 postgresql.conf 里把 port 改成 1521:

LOG:  could not bind IPv4 address "127.0.0.1": Address already in use
HINT:  Is another postmaster already running on port 1521? If not, wait a few seconds and retry.
WARNING:  could not create listen socket for "localhost"
FATAL:  could not create any Oracle TCP/IP sockets

Address already in use 很容易被理解成别的进程占了端口,实际占用它的是这个集群自己的 Oracle 监听器,ss 里找不到第二个进程。排查时先确认配置里 port 与 ivorysql.port 是否相等。

确实需要换端口时,只改 ivorysql.port,并保持两个值不相等:

port = 5432
ivorysql.port = 1522

重启后连 1522 得到 oracle,连 5432 得到 pg。

双监听是 Oracle 模式集群独有的:只有 initdb --dbmode=oracle 建出的集群,postmaster 才会额外创建 Oracle 监听套接字(源码里对应 DB_ORACLE == database_mode 判断)。PostgreSQL 模式的集群只有 port 一个监听端口。

4.2. 数据类型

ivorysql=# CREATE TABLE items5 (id bigserial PRIMARY KEY, name varchar2(20), num number(20), embedding bit(3));
CREATE TABLE
ivorysql=# INSERT INTO items5 (name, num, embedding) VALUES ('1st oracle data',0, '000'), ('2nd oracle data', 111, '111');
INSERT 0 2
ivorysql=# SELECT * FROM items5 ORDER BY bit_count(embedding # '101') LIMIT 5;
 id |      name       | num | embedding
----+-----------------+-----+-----------
  2 | 2nd oracle data | 111 | 111
  1 | 1st oracle data | 0   | 000

4.3. 匿名块

ivorysql=# declare
i vector(3) := '[1,2,3]';
begin
raise notice '%', i;
end;
ivorysql-# /
NOTICE:  [1,2,3]
DO

4.4. 存储过程(PROCEDURE)

ivorysql=# CREATE OR REPLACE PROCEDURE ora_procedure()
AS
p vector(3) := '[4,5,6]';
begin
raise notice '%', p;
end;
/
CREATE PROCEDURE
ivorysql=# call ora_procedure();
NOTICE:  [4,5,6]
CALL

4.5. 函数(FUNCTION)

ivorysql=# CREATE OR REPLACE FUNCTION AddVector(a vector(3), b vector(3))
RETURN vector(3)
IS
BEGIN
RETURN a + b;
END;
/
CREATE FUNCTION
ivorysql=# SELECT AddVector('[1,2,3]','[4,5,6]') FROM DUAL;
 addvector
----------------
 [5,7,9]
(1 row)