论文赏析：极致性价比，非易失性内存在向量检索的应用

HM-ANN: Efficient Billion-Point Nearest Neighbor Search on Heterogenous Memory 是一篇被2020年 Conference on Neural Information Processing Systems (NeurIPS 2020). 本文提出了一种基于图的相似性搜索的新型算法，称为HM-ANN。该算法在现代硬件设置中同时考虑了内存异质性和数据异质性。HM-ANN可以在单台机器上实现十亿级的相似性搜索，同时没有采用任何数据压缩技术。异质存储器（HM）代表了快速但小的DRAM和缓慢但大的PMem的组合。HM-ANN实现了低搜索延迟和高搜索精度，特别是在数据集无法装入单机有限DRAM的情况下。与最先进的近似近邻（ANN）搜索方案相比，该算法具有明显的优势。

由于DRAM容量有限，ANN搜索算法在查询精度和查询延迟之间进行了基本的权衡。为了在DRAM中存储索引以实现快速查询，有必要限制数据点的数量或存储压缩的向量，这两者都会损害搜索的准确性。基于图形的索引（如HNSW）具有优越的查询运行时间性能和查询精度。然而，当在十亿规模的数据集上操作时，这些索引也会消耗TiB等级的DRAM。

还有其他的变通方法来避免让DRAM以原始格式存储十亿规模的数据集。当一个数据集太大，无法装入单台机器的DRAM时，就会使用数据压缩的方法，如对数据集的点进行乘积量化。但是，由于量化过程中精度的损失，这些索引在压缩数据集上的召回率通常很低。Subramanya等人[1]探索了利用固态硬盘SSD实现十亿级ANN搜索的方法，该方法称为Disk-ANN，其中原始数据集存储在SSD上，压缩后的表示方法存储在DRAM上。

Heterogeneous Memory的介绍

内存/存储的层次结构与HM
图片来源: http://nvmw.ucsd.edu/nvmw2021...

Heterogeneous memory (HM) 代表了快速但小的DRAM和慢速但大的PMem的组合。DRAM是每个现代服务器中都能找到的硬件，其访问速度相对较快。新的PMem技术，如英特尔® Optane™DC Persistent Memory Modules，弥补了基于 NAND-based flash（SSD）和DRAM之间的差距，消除了I/O瓶颈。PMem像SSD一样可以在断电情况下持久化数据，又像DRAM一样可由CPU直接对每一个Byte寻址。Renen等人[2]发现，在配置的实验环境中，PMem的读取带宽比DRAM低2.6倍，而写入带宽低7.5倍。

HM-ANN 的设计

HM-ANN是一种准确而快速的十亿级ANN搜索算法，在单机上运行时无需压缩。HM-ANN的设计概括了HNSW的思想，其分层结构自然适合HM。HNSW由多层组成: 只有第0层包含整个数据集，其余每一层都包含其正下方那一层的一个子集。

一个 3 层 HNSW 的例子
图片来源: https://arxiv.org/pdf/1603.09...

上层的元素，只包括数据集的子集，消耗了整个存储消耗的一小部分。这一现象使它们非常合适去被放置在DRAM中。这样一来，HM-ANN上的大部分搜索都会发生在上层，这就最大限度地利用了DRAM的快速访问特性。然而，在HNSW中大多数搜索发生在底层。

最底层承载着整个数据集，这使得它适合被放在PMem中。 由于访问第0层的速度较慢，最好是每个查询只访问一小部分，并降低访问频率。

图构建算法

HM-ANN的索引构造例子
图片来源: http://nvmw.ucsd.edu/nvmw2021...

HM-ANN构造的关键思想是构建高质量的上层，以便为第0层的搜索提供更好的导航指导能力。因此，大多数内存访问发生在DRAM中，所以PMem中的访问则被减少。为了实现这一点，HM-ANN的构建算法有一个自上而下的selection阶段和一个自下而上的promotion阶段。

自上而下的插入阶段建立了一个navigable small-world graph，因为最底层是放在PMem上的。

自下而上的促进阶段从底层promote pivot点，以形成放置在DRAM上的上层，而不会失去很多准确性。如果在第1层创建了第0层元素的高质量投影，那么第0层的搜索只需几跳就能找到查询的准确近邻。

HM-ANN没有使用HNSW的random selection for promotion，而是使用高度推广策略high-degree promotion strategy，将第0层中度数最高的元素推广到第1层。对于更高的层，HM-ANN根据 promotion rate将高度数节点推广到上层。

HM-ANN将更多的节点从第0层promote到第1层，并为第1层的每个元素设置更大的最大邻居数。上层节点的数量是由可用的DRAM空间决定的。由于第0层不存储在DRAM中，因此使存储在DRAM中的每一层更密集，可以提高搜索质量。

图搜索算法

HM-ANN的索引搜索例子
图片来源: http://nvmw.ucsd.edu/nvmw2021...

该搜索算法由两个阶段组成: fast memory search 与 parallel layer-0 search with prefetching.

Fast memory search

与HNSW相同，DRAM中的搜索从最顶层的入口点开始，然后从顶层到第2层执行1-greedy search。为了缩小第0层的搜索空间，HM-ANN在第1层进行搜索，搜索预算为 efSearchL1，这限制了第1层的candidate list的大小。HNSW只使用一个entry point，但在HM-ANN中，第0层和第1层之间的关系比任何其他两层之间处理得更加特别。

Parallel layer-0 search with prefetching

在底层，HM-ANN将上述来自搜索第1层的candidates均匀分开，并将其视为entry points，以执行parallel multi-start 1-greedy search with threads。每次搜索出来的top candidates被收集起来，以找到best candidates。众所周知，从第1层下到第0层正好是进入PMem。 并行搜索隐藏了PMem的延迟，并充分利用内存带宽，在不增加搜索时间的情况下提高搜索质量。

HM-ANN在DRAM中实现了一个software-managed buffer，在DRAM访问发生之前从PMem中prefetch数据。当搜索第1层时，HM-ANN异步地将 efSearchL1中的那些candidates的邻居元素及其在第1层的连接从PMem复制到buffer。当第0层的搜索发生时，一部分数据已经在DRAM中被prefetched了，这就隐藏了访问PMem的延迟，导致了更短的查询时间。这与HM-ANN的设计目标相吻合，即大部分内存访问发生在DRAM中，而PMem中的内存访问被减少。

在HM-ANN这个论文中，对这个新索引算法进行了广泛的评估。所有的实验都是在一台装有Intel Xeon Gold 6252 [email protected] 的机器上进行的。它使用DDR4（96GB）作为快速内存，Optane DC PMM（1.5TB）作为慢速内存。对五个数据集进行了评估。BIGANN、DEEP1B、SIFT1M、DEEP1M和GIST1M。对于十亿规模的测试，包括以下方案：基于十亿规模量化的方法（IMI+OPQ和L&C），以及非压缩的方法（HNSW和NSG）。

十亿规模的算法比较

在Table 1中，比较了不同的基于图的索引的索引时间和内存消耗。HNSW在建立索引时速度最快，HM-ANN比HNSW多需要8%的时间。在总体存储使用方面，HM-ANN索引比HSNW大5-13%，因为它将更多的节点从第0层推广到第1层。

在Figure 1中，对不同索引的查询性能进行了分析。图1（a）和（b）显示，HM-ANN在1毫秒内取得了>95%的top-1召回率。图1（c）和（d）显示，HM-ANN在4毫秒内获得了>90%的top-100召回率。与其他所有方法相比，HM-ANN提供了更好的latency-recall性能。

百万规模的算法比较

在Figure 2中，不同索引的查询性能在纯DRAM环境下进行了分析。HNSW、NSG和HM-ANN是用一个适合DRAM容量的300万规模的数据集进行评估的。HM-ANN仍然取得了比HNSW更好的查询性能。原因是，当它们都旨在实现99%的召回率目标时，HM-ANN的距离计算总数（平均850次/查询）要少于HNSW（平均900次/查询）。

High-degree promotion的效果

在Figure 3中，random promotion和high-degree promotion strategies在同一配置下进行了比较。high-degree promotion strategies的效果优于baseline。在达到95%、99%和99.5%的召回率目标时，high-degree promotion strategies 的表现比random promotion快1.8倍、4.3倍和3.9倍。

内存管理技术的性能

Figure 5包含了HNSW和HM-ANN之间的一系列步骤，以显示HM-ANN的每项优化对其改进的贡献。BP代表索引构建中自下而上的promotion，PL0代表Parallel layer-0 search，DP代表从PMem到DRAM的数据prefetching。每走一步，HM-ANN的搜索性能都会被进一步推高。

一种新的基于图的索引和搜索算法，称为HM-ANN，将基于图的ANN搜索算法的分层设计与HM中的快慢内存异质性进行了映射。评估表明，HM-ANN是一种新的最先进的适用于十亿数据集的索引。

在学术界和工业界中，在PMem上建立索引正变得越来越流行。为了减轻DRAM的压力，Disk-ANN[1]是一个建立在SSD上的索引，但是SSD吞吐量明显低于PMem。 然而，建立HM-ANN仍然需要几天时间，这与Disk-ANN的构建时间没有数量级的区别。我们相信，通过更仔细地利用PMem的特性（例如，意识到PMem的粒度为256字节），以及使用指令bypass cache lines，是可以优化HM-ANN的索引时间。我们还预计，将来会提出更多的持久存储设备的方法。

[1] Suhas Jayaram Subramanya and Devvrit and Rohan Kadekodi and Ravishankar Krishaswamy and Ravishankar Krishaswamy: DiskANN: Fast Accurate Billion-point Nearest Neighbor Search on a Single Node, NIPS, 2019
（https://www.microsoft.com/en-...）
（https://papers.nips.cc/paper/...）
[2] Alexander van Renen and Lukas Vogel and Viktor Leis and Thomas Neumann and Alfons Kemper: Persistent Memory I/O Primitives, CoRR & DaMoN, 2019
（https://dl.acm.org/doi/abs/10...）
（https://arxiv.org/abs/1904.01614）

作者：罗济高，Zilliz 实习研究员，本科毕业于慕尼黑工业大学，目前是该校数据工程与分析专业研究生在读。兴趣领域包含关系数据库与性能分析，喜欢研究关系数据库內核，对数据库各个子领域的进展拥有高度好奇心。他的 Github 账号是 https://github.com/cakebytheo...，博客地址是 https://cakebytheoceanluo.git...