Elasticsearch向量检索（KNN）千万级耗时长问题分析与优化方案

最终效果

本文分享，ES千万级向量检索耗时分钟级的慢查询分析方法，并分享优化方案。通过借助内存加速，把查询延迟从分钟级降低到毫秒级别。

方案缺点是对服务器内存有比较大的依赖！

主要问题：剔除knn插件，此插件在做ANN检索时，构建查询语句耗时长。

1.背景

1.1 资源背景

es.8.8版本

2个es节点 ； 堆内存31g； 服务器内存资源充足（100+）； HDD磁盘

该优化是在forcemerge之后做的工作，如果不做forcemerge，效果会更差。即使做完forcemerge，还是不能满足查询延迟要求。

1.2 数据背景

1799w数据，向量768维度。（不带副本300G 10个分片）

在数据中做ANN检索。检索语句在2.1中。

knn 参数："num_candidates": 100

耗时长,无响应结果，时间大于1分钟。

1. 问题定位排查

2.1 检索语句

为了方便查阅，去掉了向量的数据。

GET tilake_vectors-000003/_search?max_concurrent_shard_requests=30&human=true
{"profile": true, "knn": {"field": "content_vector","filter": {"bool": {"must": [{"terms": {"session_id": ["institute"]}},{"term": {"vectorization_method": "title+content"}}]}},"query_vector": [],"k": 10,"num_candidates": 10},"size": 0
}

2.2 检索语句profile结果

{"took": 10006,"timed_out": false,"_shards": {"total": 2,"successful": 2,"skipped": 0,"failed": 0},"hits": {"total": {"value": 10,"relation": "eq"},"max_score": null,"hits": []},"profile": {"shards": [{"id": "[oooFp749QMWECSF0qyMaIA][tilake_vectors-000003][1]","dfs": {"statistics": {"type": "statistics","description": "collect term statistics","time": "6.9micros","time_in_nanos": 6923,"breakdown": {"term_statistics": 0,"collection_statistics": 0,"collection_statistics_count": 0,"create_weight": 4668,"term_statistics_count": 0,"rewrite_count": 0,"create_weight_count": 1,"rewrite": 0}},"knn": [{"query": [{"type": "DocAndScoreQuery","description": "DocAndScore[10]","time": "6.5micros","time_in_nanos": 6587,"breakdown": {"set_min_competitive_score_count": 0,"match_count": 0,"shallow_advance_count": 0,"set_min_competitive_score": 0,"next_doc": 916,"match": 0,"next_doc_count": 10,"score_count": 10,"compute_max_score_count": 0,"compute_max_score": 0,"advance": 524,"advance_count": 1,"count_weight_count": 0,"score": 1228,"build_scorer_count": 2,"create_weight": 1228,"shallow_advance": 0,"count_weight": 0,"create_weight_count": 1,"build_scorer": 2691}}],"rewrite_time": 9320075980,"collector": [{"name": "SimpleTopScoreDocCollector","reason": "search_top_hits","time": "10.4micros","time_in_nanos": 10460}]}]},"searches": [{"query": [{"type": "ConstantScoreQuery","description": "ConstantScore(ScoreAndDocQuery)","time": "49.4micros","time_in_nanos": 49494,"breakdown": {"set_min_competitive_score_count": 0,"match_count": 0,"shallow_advance_count": 0,"set_min_competitive_score": 0,"next_doc": 0,"match": 0,"next_doc_count": 0,"score_count": 0,"compute_max_score_count": 0,"compute_max_score": 0,"advance": 0,"advance_count": 0,"count_weight_count": 1,"score": 0,"build_scorer_count": 0,"create_weight": 46460,"shallow_advance": 0,"count_weight": 3034,"create_weight_count": 1,"build_scorer": 0},"children": [{"type": "KnnScoreDocQuery","description": "ScoreAndDocQuery","time": "2.1micros","time_in_nanos": 2115,"breakdown": {"set_min_competitive_score_count": 0,"match_count": 0,"shallow_advance_count": 0,"set_min_competitive_score": 0,"next_doc": 0,"match": 0,"next_doc_count": 0,"score_count": 0,"compute_max_score_count": 0,"compute_max_score": 0,"advance": 0,"advance_count": 0,"count_weight_count": 1,"score": 0,"build_scorer_count": 0,"create_weight": 754,"shallow_advance": 0,"count_weight": 1361,"create_weight_count": 1,"build_scorer": 0}}]}],"rewrite_time": 22921,"collector": [{"name": "EarlyTerminatingCollector","reason": "search_count","time": "54micros","time_in_nanos": 54011}]}],"aggregations": []},{"id": "[p4MgwgUtTSK6vmkayGHPKg][tilake_vectors-000003][0]","dfs": {"statistics": {"type": "statistics","description": "collect term statistics","time": "13.3micros","time_in_nanos": 13398,"breakdown": {"term_statistics": 0,"collection_statistics": 0,"collection_statistics_count": 0,"create_weight": 7433,"term_statistics_count": 0,"rewrite_count": 0,"create_weight_count": 1,"rewrite": 0}},"knn": [{"query": [{"type": "DocAndScoreQuery","description": "DocAndScore[10]","time": "10.4micros","time_in_nanos": 10449,"breakdown": {"set_min_competitive_score_count": 0,"match_count": 0,"shallow_advance_count": 0,"set_min_competitive_score": 0,"next_doc": 771,"match": 0,"next_doc_count": 10,"score_count": 10,"compute_max_score_count": 0,"compute_max_score": 0,"advance": 1204,"advance_count": 1,"count_weight_count": 0,"score": 1158,"build_scorer_count": 2,"create_weight": 2845,"shallow_advance": 0,"count_weight": 0,"create_weight_count": 1,"build_scorer": 4471}}],"rewrite_time": 10005101571,"collector": [{"name": "SimpleTopScoreDocCollector","reason": "search_top_hits","time": "10.8micros","time_in_nanos": 10837}]}]},"searches": [{"query": [{"type": "ConstantScoreQuery","description": "ConstantScore(ScoreAndDocQuery)","time": "55.7micros","time_in_nanos": 55704,"breakdown": {"set_min_competitive_score_count": 0,"match_count": 0,"shallow_advance_count": 0,"set_min_competitive_score": 0,"next_doc": 0,"match": 0,"next_doc_count": 0,"score_count": 0,"compute_max_score_count": 0,"compute_max_score": 0,"advance": 0,"advance_count": 0,"count_weight_count": 1,"score": 0,"build_scorer_count": 0,"create_weight": 53265,"shallow_advance": 0,"count_weight": 2439,"create_weight_count": 1,"build_scorer": 0},"children": [{"type": "KnnScoreDocQuery","description": "ScoreAndDocQuery","time": "3.2micros","time_in_nanos": 3271,"breakdown": {"set_min_competitive_score_count": 0,"match_count": 0,"shallow_advance_count": 0,"set_min_competitive_score": 0,"next_doc": 0,"match": 0,"next_doc_count": 0,"score_count": 0,"compute_max_score_count": 0,"compute_max_score": 0,"advance": 0,"advance_count": 0,"count_weight_count": 1,"score": 0,"build_scorer_count": 0,"create_weight": 2451,"shallow_advance": 0,"count_weight": 820,"create_weight_count": 1,"build_scorer": 0}}]}],"rewrite_time": 3431,"collector": [{"name": "EarlyTerminatingCollector","reason": "search_count","time": "28.5micros","time_in_nanos": 28514}]}],"aggregations": []}]}
}

2.3 问题发现

其中最耗时的是 rewrite_time， 总共耗时10s，这里的 rewrite阶段耗时为9.3s！

这里反复测试，不同的case，都是类似的现象。

经过排查发现，检索的过程中，只用knn检索，耗时短，加上ANN检索后，耗时变长。

我们使用到了knn插件做加速。通过对比测试，发现这个耗时长和用到的knn插件有关系。在做了修改，剔除掉knn插件后，耗时有好转，2到3s

但是偶尔也会慢7s

这里调整num_candidates 参数从10到100。耗时变长了很多

还是不满足需求，所以继续需要做优化验证。

3. 验证方案

猜想：还是耗时长。尝试使用预加载底层文件的方式，走内存加速。

验证注意事项：全程要考虑查询缓存的影响。对于es条件，相同的条件会命中缓存，在测试过程中，应该通过替换检索条件的内容，来避免查询缓存的影响。

3.1 尝试把es中的向量文件，做预加载

PUT /tilake_test_slow-000003/_settings
{"index": {"store": {"preload": ["vec", "vem", "vex"]}}
}

报错

{"error": {"root_cause": [{"type": "illegal_argument_exception","reason": "Can't update non dynamic settings [[index.store.preload]] for open indices [[tilake_test_slow/B5hiOiOZQwm8rE5yfHOcXw]]"}],"type": "illegal_argument_exception","reason": "Can't update non dynamic settings [[index.store.preload]] for open indices [[tilake_test_slow/B5hiOiOZQwm8rE5yfHOcXw]]"},"status": 400
}

3.2 需要先把索引关闭掉

POST tilake_test_slow-000003/_close

3.3 再执行修改预加载

PUT /tilake_test_slow-000003/_settings
{"index": {"store": {"preload": ["vec", "vem", "vex"]}}
}

3.4 再打开索引

POST tilake_test_slow-000003/_open

3.5 验证效果平均耗时100ms！

3.6 为什么预加载的是这几个文件？

不妨看看es 底层的文件，先找到对应索引的uuid

GET _cat/indices/tilake_test_slow-000003?v

根据此id，可以进到es的底层存储目录中（es data目录，这里给一个示例：elasticsearch/data/indices/B5hiOiOZQwm8rE5yfHOcXw/1/index），看到如下的底层文件。其中有三个是hnswVectors相关的文件。es向量检索用的是hnsw算法，es存储向量就和这几个相关。（这块要熟悉lucene，知道这种底层文件都是干什么用的，这三个是在es8.x之后出现的内容）

3.7 内存的前后变化

操作前

操作后，仅看到 buff/cache 增加了4个G

该设置并不会立即将所有相关文件加载到内存，而是在需要时才会进行预加载。因此，你可能需要在执行查询或重启节点后，才能看到内存使用的变化。

3.8 需要多少内存

以一个分片为例，该分片总大小为30G，以下是该分片全部的底层文件。其中和向量相关的文件有5.5G 。假设这些都需要加载到内存中，则为实际索引大小的五分之一。以我们的数据为例，我们累计1790W数据， 磁盘存储350G，不带副本。按照1:5的比例估算内存，则需要70G的内存空间为佳。

-rw-rw-r-- 1     68 Aug 21 14:53 _20b_0.doc
-rw-rw-r-- 1     68 Aug 21 14:53 _20b_0.pos
-rw-rw-r-- 1    29M Aug 21 14:53 _20b_0.tim
-rw-rw-r-- 1   283K Aug 21 14:53 _20b_0.tip
-rw-rw-r-- 1    265 Aug 21 14:53 _20b_0.tmd
-rw-rw-r-- 1   2.3M Aug 21 14:53 _20b_ES87BloomFilter_0.bfi
-rw-rw-r-- 1     99 Aug 21 14:53 _20b_ES87BloomFilter_0.bfm
-rw-rw-r-- 1    15K Aug 21 14:51 _20b.fdm
-rw-rw-r-- 1    24G Aug 21 14:51 _20b.fdt
-rw-rw-r-- 1   1.3M Aug 21 14:51 _20b.fdx
-rw-rw-r-- 1   4.7K Aug 21 16:35 _20b.fnm
-rw-rw-r-- 1    16M Aug 21 14:53 _20b.kdd
-rw-rw-r-- 1    45K Aug 21 14:53 _20b.kdi
-rw-rw-r-- 1    260 Aug 21 14:53 _20b.kdm
-rw-rw-r-- 1   280M Aug 21 14:53 _20b_Lucene90_0.doc
-rw-rw-r-- 1   222M Aug 21 14:53 _20b_Lucene90_0.dvd
-rw-rw-r-- 1   4.4K Aug 21 14:53 _20b_Lucene90_0.dvm
-rw-rw-r-- 1   421M Aug 21 14:53 _20b_Lucene90_0.pos
-rw-rw-r-- 1   204M Aug 21 14:53 _20b_Lucene90_0.tim
-rw-rw-r-- 1   2.7M Aug 21 14:53 _20b_Lucene90_0.tip
-rw-rw-r-- 1   2.2K Aug 21 14:53 _20b_Lucene90_0.tmd
-rw-rw-r-- 1   5.4G Aug 21 16:35 _20b_Lucene95HnswVectorsFormat_0.vec
-rw-rw-r-- 1   129K Aug 21 16:35 _20b_Lucene95HnswVectorsFormat_0.vem
-rw-rw-r-- 1    79M Aug 21 16:35 _20b_Lucene95HnswVectorsFormat_0.vex
-rw-rw-r-- 1   7.7M Aug 21 14:52 _20b.nvd
-rw-rw-r-- 1    247 Aug 21 14:52 _20b.nvm
-rw-rw-r-- 1    815 Aug 21 16:35 _20b.si
-rw-rw-r-- 1    395 Aug 22 20:00 segments_6p
-rw-rw-r-- 1      0 Aug 21 11:30 write.lock

4. 注意事项

4.1 工作原理

当你配置 index.store.preload 时，Elasticsearch 会使用底层操作系统的文件系统缓存（通常是页缓存）将指定类型的文件（如 .vec、.vem、.vex）预加载到内存中。文件系统缓存是操作系统层面的一种机制，用于将磁盘上的数据读取到内存中，从而加快后续的访问速度。通过 preload，这些文件在第一次访问时会直接从内存而不是从磁盘读取，减少了磁盘I/O的延迟。

在 preload 配置下，Elasticsearch 会在查询时或者索引段被加载时，将指定文件类型的数据主动读取到内存中。这使得后续查询能够更快地访问这些数据，因为它们已经驻留在内存中，而无需进行磁盘读取。Elasticsearch 会利用这些预加载的数据来提高检索性能，尤其是在频繁访问的场景下，可以显著降低查询延迟。

4.2 内存限制

内存资源：由于 preload 会增加内存使用量，因此在配置时需要确保系统有足够的内存资源，以免影响整体性能。注意这些文件是被加载到了os cache上。占用的是服务器的内存。

也就是说，假如服务器的内存资源不够，此优化带来的收益是很小的，甚至有副作用。因为内存不足，可能会导致内存被不停的换入换出。

4.3 es 不要部署在容器中

es部署在容器中，会有各种限制，可能会看不到效果。主要是内存的影响。

持久化的东西放在容器中，会有很大的性能损失。

4.4 可能会存在第一次查询很慢的情况？

预加载触发：

• 第一次对索引进行查询时，如果预加载的文件（如 .vec、.vem、.vex 文件）尚未被加载到内存中，Elasticsearch 需要从磁盘读取这些文件，并将它们加载到内存中。这会导致首次查询的响应时间较长，因为磁盘 I/O 操作通常比内存访问慢得多。

操作系统缓存：

• 即使你已经设置了 index.store.preload，实际的预加载动作是在首次访问时才会触发。如果系统刚刚启动或这些文件之前没有被访问过，那么操作系统还没有将它们缓存到内存中，因此第一次查询需要进行磁盘读取。

段文件加载：

• 当新的段文件生成（例如在写入数据或合并段时），这些新的段文件同样需要在首次访问时加载到内存中，这也可能导致第一次查询变慢。

解决方法，使用滚动索引，索引小一些。然后可以做forcemerge+触发查询加载。

5. 新的探索方向

以内存为代价的优化方案不具有扩展性。 如果需要将索引五分之一的数据都放在内存上，这需要非常大的开销。

应该探索其他的优化方案

5.1 探索1： 和向量相关的文件，是不是都需要预加载。做测试验证。

结论1：走文件预加载，不做merge也可以生效。影响最大的是，预加载的时间长，体现在open索引的时候耗时就长。

结论2：vec 文件占用空间最大，但是vec是必须加载的，否则无法提速，验证如下：

把上述5个索引，放在一个索引中，然后测试检索，耗时为73s。

注意本次未做merge，共373个segment。索引共有10个shard，如果做merge，应该是10个segment

5.1.1 其中 vem最小，先尝试只预加载这个文件

POST tilake_test_final/_closePUT /tilake_test_final/_settings
{"index": {"store": {"preload": ["vem"]}}
}POST tilake_test_final/_open

37s 时间有减半。（注意这里，需要换一个向量，否则会走到缓存上）

避免随机性，又换一个向量。45s。

5.1.2 再加入vex文件

POST tilake_test_final/_closePUT /tilake_test_final/_settings
{"index": {"store": {"preload": ["vem","vex"]}}
}POST tilake_test_final/_open

时间变短到19s

再测一组

5.1.3 加入vec文件

POST tilake_test_final/_closePUT /tilake_test_final/_settings
{"index": {"store": {"preload": ["vem","vex","vec"]}}
}
POST tilake_test_final/_open

查询验证，已经到了毫秒级，269毫秒。

再验证一组