使用优化型读取和 pgvector，提高 Amazon Aurora 上生成式人工智能工作负载的性能
内容提要
这段文字已经是简体中文。
延伸解读
优化型读取的适用边界
优化型读取并非对所有向量工作负载都有效。文章明确指出，本地NVMe仅缓存未经修改的被逐出分页，因此如果向量数据频繁更新，可能无法获得同样的性能提升。此外，如果向量工作负载可以完全装入内存，则可能不需要优化型读取实例。因此，在考虑采用优化型读取前，应评估数据更新频率和内存容量是否匹配。
性能与成本的权衡
基准测试显示，优化型读取实例的查询吞吐量比标准实例平均高出6到7倍，但实例月费也更高。例如，R6gd-12xl每月7008美元，而R6g-12xl为5831美元。然而，由于吞吐量大幅提升，每百万次查询的成本从329.84美元降至59.02美元，降低了82%。因此，对于高查询量的向量工作负载，优化型读取可能更具成本效益。
索引选择与参数调优
文章对比了pgvector的HNSW和IVFFlat索引，指出HNSW索引可将查询性能提升20倍。在HNSW索引中，hnsw.ef_search参数控制查全率与吞吐量的权衡。基准测试中设置ef_search=400，实现了0.9578的查全率。开发者应根据应用对查全率和延迟的要求，调整该参数以平衡性能与准确性。
基准测试的参考价值与局限
基准测试使用BIGANN-1B数据集和SIFT描述符，维度为128，与常见的1536维嵌入体不同。测试实例为R6gd和R6g，表/索引大小分别为614GB和781GB，均超出实例内存。这些条件可能影响结果的普适性。读者在参考性能提升数据时，需结合自身数据规模、维度和访问模式进行评估。
Q&A
Amazon Aurora 优化型读取如何提升向量工作负载的性能？
Amazon Aurora 优化型读取通过结合 pgvector HNSW 索引，提升查询性能，减少资源使用，查询吞吐量可提高多达九倍。
使用 HNSW 索引的优势是什么？
HNSW 索引相比于 IVFFlat 索引，查询性能提升可达 20 倍，适合处理大规模向量数据。
Aurora 优化型读取适合哪些应用场景？
适合超出数据库实例内存容量的大型数据集应用，如实时高性能向量比较和相似度搜索。
Aurora 优化型读取的成本效益如何？
优化型读取实例的查询成本比标准实例低 75-80%，提供高性价比的解决方案。
Aurora 优化型读取在基准测试中的表现如何？
基准测试显示，优化型读取实例的查询吞吐量平均高出 6 到 7 倍，CPU 利用率可达 95%。
并非所有向量工作负载都能从优化型读取中受益，为什么？
更新频繁的向量数据可能不适用优化型读取，因为它主要缓存未修改的被逐出分页。
