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寻的新型算法，称为HM-ANN。该算法在古代硬件设置中同时思考了内存异质性和数据异质性。HM-ANN能够在单台机器上实现十亿级的相似性搜寻，同时没有采纳任何数据压缩技术。异质存储器（HM）代表了疾速但小的DRAM和迟缓但大的PMem的组合。HM-ANN实现了低搜寻提早和高搜寻精度，特地是在数据集无奈装入单机无限DRAM的状况下。与最先进的近似近邻（ANN）搜寻计划相比，该算法具备显著的劣势。
动机
因为DRAM容量无限，ANN搜索算法在查问精度和查问提早之间进行了根本的衡量。为了在DRAM中存储索引以实现疾速查问，有必要限度数据点的数量或存储压缩的向量，这两者都会侵害搜寻的准确性。基于图形的索引（如HNSW）具备优越的查问运行工夫性能和查问精度。然而，当在十亿规模的数据集上操作时，这些索引也会耗费TiB等级的DRAM。
还有其余的变通方法来防止让DRAM以原始格局存储十亿规模的数据集。当一个数据集太大，无奈装入单台机器的DRAM时，就会应用数据压缩的办法，如对数据集的点进行乘积量化。然而，因为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]摸索了利用固态硬盘SSD实现十亿级ANN搜寻的办法，该办法称为Disk-ANN，其中原始数据集存储在SSD上，压缩后的示意办法存储在DRAM上。
Heterogeneous Memory的介绍
内存/存储的层次结构与HM
图片起源: http://nvmw.ucsd.edu/nvmw2021...
Heterogeneous memory (HM) 代表了疾速但小的DRAM和慢速但大的PMem的组合。DRAM是每个古代服务器中都能找到的硬件，其访问速度绝对较快。新的PMem技术，如英特尔® Optane™DC Persistent Memory Modules，补救了基于 NAND-based flash（SSD）和DRAM之间的差距，打消了I/O瓶颈。PMem像SSD一样能够在断电状况下长久化数据，又像DRAM一样可由CPU间接对每一个Byte寻址。Renen等人[2]发现，在配置的试验环境中，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是一种精确而疾速的十亿级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的思维，其分层构造天然适宜HM。HNSW由多层组成: 只有第0层蕴含整个数据集，其余每一层都蕴含其正下方那一层的一个子集。
一个 3 层 HNSW 的例子
图片起源: https://arxiv.org/pdf/1603.09...
下层的元素，只包含数据集的子集，耗费了整个存储耗费的一小部分。这一景象使它们十分适合去被搁置在DRAM中。这样一来，HM-ANN上的大部分搜寻都会产生在下层，这就最大限度地利用了DRAM的快速访问个性。然而，在HNSW中大多数搜寻产生在底层。
最底层承载着整个数据集，这使得它适宜被放在PMem中。 因为拜访第0层的速度较慢，最好是每个查问只拜访一小部分，并升高拜访频率。
图构建算法
HM-ANN的索引结构例子
图片起源: http://nvmw.ucsd.edu/nvmw2021...
HM-ANN结构的要害思维是构建高质量的下层，以便为第0层的搜寻提供更好的导航领导能力。因而，大多数内存拜访产生在DRAM中，所以PMem中的拜访则被缩小。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设了一个navigable small-world graph，因为最底层是放在PMem上的。
自下而上的促成阶段从底层promote pivot点，以造成搁置在DRAM上的下层，而不会失去很多准确性。如果在第1层创立了第0层元素的高质量投影，那么第0层的搜寻只需几跳就能找到查问的精确近邻。
HM-ANN没有应用HNSW的random selection for promotion，而是应用高度推广策略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依据 promotion rate将高度数节点推广到下层。
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街坊数。下层节点的数量是由可用的DRAM空间决定的。因为第0层不存储在DRAM中，因而使存储在DRAM中的每一层更密集，能够进步搜寻品质。
图搜索算法
HM-ANN的索引搜寻例子
图片起源: 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雷同，DRAM中的搜寻从最顶层的入口点开始，而后从顶层到第2层执行1-greedy search。为了放大第0层的搜寻空间，HM-ANN在第1层进行搜寻，搜寻估算为 efSearchL1，这限度了第1层的candidate list的大小。HNSW只应用一个entry point，但在HM-ANN中，第0层和第1层之间的关系比任何其余两层之间解决得更加特地。
Parallel layer-0 search with prefetching
在底层，HM-ANN将上述来自搜寻第1层的candidates平均离开，并将其视为entry points，以执行parallel multi-start 1-greedy search with threads。每次搜寻进去的top candidates被收集起来，以找到best candidates。家喻户晓，从第1层下到第0层正好是进入PMem。 并行搜寻暗藏了PMem的提早，并充分利用内存带宽，在不减少搜寻工夫的状况下进步搜寻品质。
HM-ANN在DRAM中实现了一个software-managed buffer，在DRAM拜访产生之前从PMem中prefetch数据。当搜寻第1层时，HM-ANN异步地将 efSearchL1中的那些candidates的街坊元素及其在第1层的连贯从PMem复制到buffer。当第0层的搜寻产生时，一部分数据曾经在DRAM中被prefetched了，这就暗藏了拜访PMem的提早，导致了更短的查问工夫。这与HM-ANN的设计指标相吻合，即大部分内存拜访产生在DRAM中，而PMem中的内存拜访被缩小。
性能测试
在HM-ANN这个论文中，对这个新索引算法进行了宽泛的评估。所有的试验都是在一台装有Intel Xeon Gold 6252 CPU@2.3GHz 的机器上进行的。它应用DDR4（96GB）作为疾速内存，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，包含以下计划：基于十亿规模量化的办法（IMI+OPQ和L&C），以及非压缩的办法（HNSW和NSG）。
十亿规模的算法比拟
在Table 1中，比拟了不同的基于图的索引的索引工夫和内存耗费。HNSW在建设索引时速度最快，HM-ANN比HNSW多须要8%的工夫。在总体存储应用方面，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，对不同索引的查问性能进行了剖析。图1（a）和（b）显示，HM-ANN在1毫秒内获得了>95%的top-1召回率。图1（c）和（d）显示，HM-ANN在4毫秒内取得了>90%的top-100召回率。与其余所有办法相比，HM-ANN提供了更好的latency-recall性能。
百万规模的算法比拟
在Figure 2中，不同索引的查问性能在纯DRAM环境下进行了剖析。HNSW、NSG和HM-ANN是用一个适宜DRAM容量的300万规模的数据集进行评估的。HM-ANN依然获得了比HNSW更好的查问性能。起因是，当它们都旨在实现99%的召回率指标时，HM-ANN的间隔计算总数（均匀850次/查问）要少于HNSW（均匀900次/查问）。
High-degree promotion的成果
在Figure 3中，random promotion和high-degree promotion strategies在同一配置下进行了比拟。high-degree promotion strategies的成果优于baseline。在达到95%、99%和99.5%的召回率指标时，high-degree promotion strategies 的体现比random promotion快1.8倍、4.3倍和3.9倍。
内存治理技术的性能
Figure 5蕴含了HNSW和HM-ANN之间的一系列步骤，以显示HM-ANN的每项优化对其改良的奉献。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的搜寻性能都会被进一步推高。
论断
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实用于十亿数据集的索引。
在学术界和工业界中，在PMem上建设索引正变得越来越风行。为了加重DRAM的压力，Disk-ANN[1]是一个建设在SSD上的索引，然而SSD吞吐量显著低于PMem。 然而，建设HM-ANN依然须要几天工夫，这与Disk-ANN的构建工夫没有数量级的区别。咱们置信，通过更认真地利用PMem的个性（例如，意识到PMem的粒度为256字节），以及应用指令bypass cache lines，是能够优化HM-ANN的索引工夫。咱们还预计，未来会提出更多的长久存储设备的办法。
参考资料
[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剖析业余研究生在读。趣味畛域蕴含关系数据库与性能剖析，喜爱钻研关系数据库內核，对数据库各个子畛域的停顿领有高度好奇心。他的 Github 账号是 https://github.com/cakebytheo...，博客地址是 https://cakebytheoceanluo.git...