"贝壳找房 | 基于 Milvus 的向量搜索实践（一）摘要: 此篇为该系列文章第二部分，第一部分主要讲基本概念、背景、选型及服务的整体架构；本部分主要讲针对低延时、高吞吐需求，我们对Milvus部署方式的一种定制；第三部分主要讲实现数据更新、保证数据一致性，以及保证服务稳定及提高资源利用率做的一些 ...."

Fork me on GitHub

AI架构
本助手集算力、智能于一身，为您提供最精彩全面的人工智能技术资讯
Milvus 向量检索 • 0 回帖 • 2.2K 浏览 • 3 年前

贝壳找房 | 基于 Milvus 的向量搜索实践（二）

贝壳找房 | 基于 Milvus 的向量搜索实践（一）

摘要: 此篇为该系列文章第二部分，第一部分主要讲基本概念、背景、选型及服务的整体架构；本部分主要讲针对低延时、高吞吐需求，我们对Milvus部署方式的一种定制；第三部分主要讲实现数据更新、保证数据一致性，以及保证服务稳定及提高资源利用率做的一些事情。

1.遇到了哪些问题

在项目调研、实施以及最终上线使用过程中，我们遇到了不少的问题，包括：

如何解决在满足响应时间的条件下，解决横向扩展的问题。
在引擎本身不稳定的情况下，如何实现数据T+1更新时的一致性。
在引擎本身不稳定且问题暂时无法明确定位/解决的情况下，如何实现服务的高可用。
如何实现资源的动态调整，以提高资源的利用率。

2.低时延、高吞吐的要求

互联网垂直搜索领域，特别是电商行业，对于特定业务的搜索，热数据的量级一般是可控的(百万级、千万级)，一般情况下，对响应时间和整体的吞吐量(QPS)都有比较高的要求。

其中，响应时间是首要条件，其次是吞吐量；如果单机在小流量下能满足响应时间要求，但是无法满足吞吐量要求时，集群部署/横向扩展能力，就是一个很自然的解决思路了。

3.解决方案

3.1 Mishards -Milvus原生解决方案

图1 Milvus分布式方案 - Mishards我们可以先了解下Milvus是如何解决 低时延、高吞吐问题的。如图1所示，Milvus借助了一个外围服务Mishards来代理Milvus引擎，来实现分布式部署的。处理具体请求的流程大概是这样：

请求流量进入Mishards请求队列。
Mishards从请求队列中取出请求，借助自身维护的数据段信息，把请求拆分成子请求(只查询部分段)，并把子请求分发给负责不同段的Milvus读实例。
Milvus读实例处理段请求，并返回结果。
Mishards把聚合返回的结果后，最终返回。

另外，需要知道的是，Milvus底层的数据存储可以分段存储(不同的数据文件，文件大小可以在配置文件中设定)，如果数据量足够大的情况下，数据最终会存储在多个文件中；相应地，Milvus支持对指定文件(可以是多个文件)的查询。

由以上分析可知，在数据量比较大的情况下(比如百亿级数据)，数据在同一个物理机上无法全部加载到内存中，查询时势必会导致大量的数据加载，从而导致单个查询的响应时间就会让人无法忍受；Mishards刚好就可以满足数据量量大时，单个查询的响应时间提升，使用多个物理资源来分担单个查询的开销。

然而，在数据量相对小时，如前面所说的百万级、千万级数据量，在数据的维度比较小时(如500以内)，常见的物理机完全可以加载到内存里边。在这种情况下，通过实验发现，分段存储数据反而会使用整体的响应时间变差，因此，我们下面讨论的场景都是数据存储在一个段内。

数据存储在一个分段内，当单个查询(小流量查询)响应时间可以满足需求时，我们无法使用Mishards来实现整体吞吐量的增加(因为数据只有一份，而且只能在一个Milvus读实例中被处理，即使我们部署了多个读实例)。

那么，在数据只需要存储在一个分段中，而且小流量、响应时间可以满足需求时，如何实现整体吞吐能力的横向扩展呢？

3.2 使用envoy+headless service实现扩展

由图1可以知道，Mishards实现了读写分离，以及大数据量下单个请求的负载拆分。但是，在互联网垂直搜索领域，特别是电商行业，热数据一般量级并不大，完全可以放在一个分段（文件）中。我们把问题转换成以下两个目标：

读写分离
读结点可横向扩展

对于目标1，其实就是一个请求转发的问题，milvus采用的grpc通信协议，本质上是http2请求，可以通过请求的路径区分开，而且业界已经有比较成熟的工具如nginx，envoy等。所以，问题就集中在如何实现读结点的横向扩展。

由于部署采用是是docker+k8s环境，所以尝试采用envoy[2]这个专门为云原生应用打造的方案来解决横向扩展的问题。目标1可以简单解决，envoy配置片段[3]如下：

... 略 ...
       filter_chains:
          filters:
          - name: envoy.http_connection_manager
            typed_config:
              "@type": type.googleapis.com/envoy.config.filter.network.http_connection_manager.v2.HttpConnectionManager
              codec_type: auto
              stat_prefix: ingress_http
              route_config:
                name: local_route
                virtual_hosts:
                - name: backend
                  retry_policy:
                    retry_on: unavailable
                  domains:
                  - "*"
                  routes:
                  - match:
                      prefix: "/milvus.grpc.MilvusService/Search"
                    route:
                      cluster: milvus_backend_ro
                      timeout: 1s
                      priority: HIGH
                  - match:
                      prefix: "/"
                    route:
                      cluster: milvus_backend_wo
                      timeout: 3600s
                      priority: HIGH 
              ... 略 ...

我们可以把实现第二个目标(读结点可横向扩展)细化为两个步骤：1.实现读结点集群部署，并支持增加/减少结点；2.实现请求读结点的负载均衡。

1.实现读结点集群部署

kubernetes下有一个抽象概念 service[4]，其含义就对应于 域名，我们可以通过将service指向一组Pod(kubernetes下另外一个概念，一个Pod对应一个读结点)[5]；我们可以通过kubernetes下的Deployment[6]/Daemonset[7]来管理这组Pod，实现Pod数的增加/减少。

另外，我们需要详细分析的是kubernetes是如何进行DNS解析的，具体来讲就是要分析service是如何解析到所对应Pod的ip:port的。

由[8]可知，kubernets集群中的每个service，包括DNS服务器，都被分配了一个DNS名，集中的任一Pod可以通过DNS来访问其它Pod。另外，service还分两种，Normal和Headless[9]，两种service的的解析方式不同；Normal类型的service会被分配一个DNS的A记录[10]，格式如 my-svc.my-namespace.svc.cluster-domain.exampl，该记录被解析到service所对应ip(cluster ip)；headless类型的service也会被分配一个相同格式的DNS的A记录[10]，但是这个A记录被解析到service指向的一组Pod的ip，客户端可以根据自己的策略来处理这些ip。

带着这个问题，我们可以先了解下，kubernetes环境下，请求的转发是如何实现的。由[11]可知，kubernetes借助kube-proxy来实现请求的转发(即到达具体的pod)，kube-proxy有三种工作模式user space、iptables、ipvs；详细查看三种模式的实现细节我们可以知道，三者除了设计思路和性能差异之外，流量转发规则没有本质区别(当然，ipvs所支持的策略多些)。

2.实现请求读结点的负载均衡

在我们已经完成读结点的集群部署并且可以根据配置不同类型的service来实现不同的DNS解析方式前提下，如果我们用envoy作为整体引擎集群的入口，如何实现envoy对Milvus读实例的负载均衡呢？

附ipvs所支持的流量转规则

rr: round-robin

l: least connection (smallest number of open connections)

dh: destination hashing

sh: source hashing

s: shortest expected delay

nq: never queue

当服务暴露的接口是http时，kube-proxy直接就实现了流量的负载均衡，但是，Milvus当前暴露的是grpc接口，在我们的实践过程中，kube-proxy在转发gRPC请求时，并没有实现所预期的负载均衡。

我们先了解下grpc的通信机制。gRPC[12]是谷歌开源的，基于Protocol Buffers[13]，支持多语言的开发框架、通信框架。由于gRPC是基于长连接进行通信的，在基于域名/DNS来创建连接时，只会创建一个连接(如果对同一个ip:port连续多次创建连接，也会有多个连接)。我们以前面中描述的headless service为例，客户端(即envoy)请求DNS服务器时，会获取一组pod所对应的ip。那么，就剩下最后一个问题，envoy如何创建多个连接呢？

由[15]可知，在采用Strict DNS服务发现类型时，envoy会为每一个下游服务对应的ip地址建立一个连接，并且会定时刷新ip地址列表，从而实现了流量的负载均衡。envoy的配置片段[16]如下：

  clusters:
      - name: milvus_backend_ro
        type: STRICT_DNS
        connect_timeout: 1s
        lb_policy: ROUND_ROBIN
        dns_lookup_family: V4_ONLY
        http2_protocol_options: {}
        circuit_breakers:
          thresholds:
            priority: HIGH
            max_pending_requests: 20480
            max_connections: 20480
            max_requests: 20480
            max_retries: 1
        load_assignment:
          cluster_name: milvus_backend_ro
          endpoints:
          - lb_endpoints:
            - endpoint:
                address:
                  socket_address:
                    address: milvus-ro-servers
                    port_value: 19530
                    protocol: TCP

至此，实现横向扩展的目的达到，整体的方案如下图2。

图2 使用envoy+headless service实现横向扩展

4.生产环境多集群部署

图3 ALL IN ONE解决了横向扩展的问题，我们就解决服务整体在生产环境的可用性问题。接下来，我们需要考虑如何更方便地部署服务。整体思路如图3，我们使用helm[17]将所有涉及的服务，包括envoy、milvus读、milvus写、mysql(存放milvus的元数据信息)打包成一个chart。最后，我们可以把这个chart放到镜像仓库中(如harbor[18])，以进行集中管理。图3中还涉及到存储部分，包括PVC和glusterfs，其具体实现我们后续详细讲。

helm是kubernetes下的包管理工具，支持将一个有复杂结构的应用及所涉及到的所有配置模板化，并打包成一个chart(相当于一个模板)，然后可以通过helm安装这个chart(为chart提供所需配置)，生成一个release(即一个可用的应用)。

5.参考文献

作者简介

下期精彩

针对数据更新、保证数据一致性，以及保证服务稳定及提高资源利用率做的相关工作。

本文地址：https://www.6aiq.com/article/1607727190023
本文版权归作者和AIQ共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出

贝壳找房 | 基于 Milvus 的向量搜索实践（二）

1.遇到了哪些问题

2.低时延、高吞吐的要求

3.解决方案

3.1 Mishards -Milvus原生解决方案

3.2 使用envoy+headless service实现扩展

4.生产环境多集群部署

5.参考文献

作者简介

下期精彩

相关帖子

随便看看

贝壳找房 | 基于 Milvus 的向量搜索实践（二）