多模型数据库性能排行

数据库来解决多样化的数据问题。这样可以极大地简化开发和维护过程，并提高系统的灵活性和性能。此外，多模型数据库还可以提供更好的数据一致性和可靠性。通过统一的平台和多种数据模型的支持，可以更方便地进行数据的管理、备份和恢复。同时，多模型数据库也可以提供更好的水平扩展能力，可以根据数据的类型和访问模式进行优化，以提供更高的系统性能。多模型数据库是一种可以同时支持多种不同数据模型的数据库平台，通过统一的平台和多种查询语言，能够灵活地适应不同的数据需求，并提供更好的数据一致性、可靠性和性能。在处理多样化数据的场景下，多模型数据库是一种值得考虑的解决方案。多模型数据库是一种在统一、综合的平台下同时支持多种不同的数据模型的数据库，数据模型可包括传统的关系模型和NoSQL数据模型（文档模型，键值模型，图模型），多模型数据库拥有一种或多种查询语言。传统的关系型数据库使用表格组织数据，通过进行查询和操作。然而，随着大数据和分布式计算的兴起，关系型数据库在某些场景下的性能和扩展性限。为了解决这些问题，NoSQL数据库应运而生，提供了更灵活、可扩展的数据模型

数据库来解决多样化的数据问题。这样可以极大地简化开发和维护过程，并提高系统的灵活性和性能。此外，多模型数据库还可以提供更好的数据一致性和可靠性。通过统一的平台和多种数据模型的支持，可以更方便地进行数据的管理、备份和恢复。同时，多模型数据库也可以提供更好的水平扩展能力，可以根据数据的类型和访问模式进行优化，以提供更高的系统性能。多模型数据库是一种可以同时支持多种不同数据模型的数据库平台，通过统一的平台和多种查询语言，能够灵活地适应不同的数据需求，并提供更好的数据一致性、可靠性和性能。在处理多样化数据的场景下，多模型数据库是一种值得考虑的解决方案。多模型数据库是一种在统一、综合的平台下同时支持多种不同的数据模型的数据库，数据模型可包括传统的关系模型和NoSQL数据模型（文档模型，键值模型，图模型），多模型数据库拥有一种或多种查询语言。传统的关系型数据库使用表格组织数据，通过进行查询和操作。然而，随着大数据和分布式计算的兴起，关系型数据库在某些场景下的性能和扩展性限。为了解决这些问题，NoSQL数据库应运而生，提供了更灵活、可扩展的数据模型

数据库来解决多样化的数据问题。这样可以极大地简化开发和维护过程，并提高系统的灵活性和性能。此外，多模型数据库还可以提供更好的数据一致性和可靠性。通过统一的平台和多种数据模型的支持，可以更方便地进行数据的管理、备份和恢复。同时，多模型数据库也可以提供更好的水平扩展能力，可以根据数据的类型和访问模式进行优化，以提供更高的系统性能。多模型数据库是一种可以同时支持多种不同数据模型的数据库平台，通过统一的平台和多种查询语言，能够灵活地适应不同的数据需求，并提供更好的数据一致性、可靠性和性能。在处理多样化数据的场景下，多模型数据库是一种值得考虑的解决方案。多模型数据库是一种在统一、综合的平台下同时支持多种不同的数据模型的数据库，数据模型可包括传统的关系模型和NoSQL数据模型（文档模型，键值模型，图模型），多模型数据库拥有一种或多种查询语言。传统的关系型数据库使用表格组织数据，通过进行查询和操作。然而，随着大数据和分布式计算的兴起，关系型数据库在某些场景下的性能和扩展性限。为了解决这些问题，NoSQL数据库应运而生，提供了更灵活、可扩展的数据模型

数据库来解决多样化的数据问题。这样可以极大地简化开发和维护过程，并提高系统的灵活性和性能。此外，多模型数据库还可以提供更好的数据一致性和可靠性。通过统一的平台和多种数据模型的支持，可以更方便地进行数据的管理、备份和恢复。同时，多模型数据库也可以提供更好的水平扩展能力，可以根据数据的类型和访问模式进行优化，以提供更高的系统性能。多模型数据库是一种可以同时支持多种不同数据模型的数据库平台，通过统一的平台和多种查询语言，能够灵活地适应不同的数据需求，并提供更好的数据一致性、可靠性和性能。在处理多样化数据的场景下，多模型数据库是一种值得考虑的解决方案。多模型数据库是一种在统一、综合的平台下同时支持多种不同的数据模型的数据库，数据模型可包括传统的关系模型和NoSQL数据模型（文档模型，键值模型，图模型），多模型数据库拥有一种或多种查询语言。传统的关系型数据库使用表格组织数据，通过进行查询和操作。然而，随着大数据和分布式计算的兴起，关系型数据库在某些场景下的性能和扩展性限。为了解决这些问题，NoSQL数据库应运而生，提供了更灵活、可扩展的数据模型

数据库来解决多样化的数据问题。这样可以极大地简化开发和维护过程，并提高系统的灵活性和性能。此外，多模型数据库还可以提供更好的数据一致性和可靠性。通过统一的平台和多种数据模型的支持，可以更方便地进行数据的管理、备份和恢复。同时，多模型数据库也可以提供更好的水平扩展能力，可以根据数据的类型和访问模式进行优化，以提供更高的系统性能。多模型数据库是一种可以同时支持多种不同数据模型的数据库平台，通过统一的平台和多种查询语言，能够灵活地适应不同的数据需求，并提供更好的数据一致性、可靠性和性能。在处理多样化数据的场景下，多模型数据库是一种值得考虑的解决方案。多模型数据库是一种在统一、综合的平台下同时支持多种不同的数据模型的数据库，数据模型可包括传统的关系模型和NoSQL数据模型（文档模型，键值模型，图模型），多模型数据库拥有一种或多种查询语言。传统的关系型数据库使用表格组织数据，通过进行查询和操作。然而，随着大数据和分布式计算的兴起，关系型数据库在某些场景下的性能和扩展性限。为了解决这些问题，NoSQL数据库应运而生，提供了更灵活、可扩展的数据模型

模型支撑，引入多模型数据库。星环科技一直致力于国产化数据库的自主研发，打造了自主可控的高性能分布式数据库ArgoDB。作为一款领先的多模型数据库，ArgoDB支持关系型、搜索、文本、对象、图等10种数据模型《ExploitingtheEvolvingDatabaseManagementSystemTrendsinChina》中，星环科技多模型联合分析用例还曾作为案例被引用。报告指出，中国独特的商业环境和自主可控的技术需求推动了中国数据库的快速发展，Gartner以星环科技多模数据库的多模能力为例介绍了数据库融合价值和趋势(关系型数据和非关系型数据联合分析)。企业数字化转型面临跨模型开发复杂、IT架构复杂(运维复杂;运维成本高;跨平台开发成本高;容易形成数据孤岛;数据流转复杂，一致性难以保障;数据存储冗余;计算/存储资源之间存在竞争)等困难，因此需要多，能够帮助用户简化系统架构、减少开发运维成本、提升用户体验和数据洞察力，满足更多复杂业务需求。在Gartner发布的

模型支撑，引入多模型数据库。星环科技一直致力于国产化数据库的自主研发，打造了自主可控的高性能分布式数据库ArgoDB。作为一款领先的多模型数据库，ArgoDB支持关系型、搜索、文本、对象、图等10种数据模型《ExploitingtheEvolvingDatabaseManagementSystemTrendsinChina》中，星环科技多模型联合分析用例还曾作为案例被引用。报告指出，中国独特的商业环境和自主可控的技术需求推动了中国数据库的快速发展，Gartner以星环科技多模数据库的多模能力为例介绍了数据库融合价值和趋势(关系型数据和非关系型数据联合分析)。企业数字化转型面临跨模型开发复杂、IT架构复杂(运维复杂;运维成本高;跨平台开发成本高;容易形成数据孤岛;数据流转复杂，一致性难以保障;数据存储冗余;计算/存储资源之间存在竞争)等困难，因此需要多，能够帮助用户简化系统架构、减少开发运维成本、提升用户体验和数据洞察力，满足更多复杂业务需求。在Gartner发布的

模型支撑，引入多模型数据库。星环科技一直致力于国产化数据库的自主研发，打造了自主可控的高性能分布式数据库ArgoDB。作为一款领先的多模型数据库，ArgoDB支持关系型、搜索、文本、对象、图等10种数据模型《ExploitingtheEvolvingDatabaseManagementSystemTrendsinChina》中，星环科技多模型联合分析用例还曾作为案例被引用。报告指出，中国独特的商业环境和自主可控的技术需求推动了中国数据库的快速发展，Gartner以星环科技多模数据库的多模能力为例介绍了数据库融合价值和趋势(关系型数据和非关系型数据联合分析)。企业数字化转型面临跨模型开发复杂、IT架构复杂(运维复杂;运维成本高;跨平台开发成本高;容易形成数据孤岛;数据流转复杂，一致性难以保障;数据存储冗余;计算/存储资源之间存在竞争)等困难，因此需要多，能够帮助用户简化系统架构、减少开发运维成本、提升用户体验和数据洞察力，满足更多复杂业务需求。在Gartner发布的

模型支撑，引入多模型数据库。星环科技一直致力于国产化数据库的自主研发，打造了自主可控的高性能分布式数据库ArgoDB。作为一款领先的多模型数据库，ArgoDB支持关系型、搜索、文本、对象、图等10种数据模型《ExploitingtheEvolvingDatabaseManagementSystemTrendsinChina》中，星环科技多模型联合分析用例还曾作为案例被引用。报告指出，中国独特的商业环境和自主可控的技术需求推动了中国数据库的快速发展，Gartner以星环科技多模数据库的多模能力为例介绍了数据库融合价值和趋势(关系型数据和非关系型数据联合分析)。企业数字化转型面临跨模型开发复杂、IT架构复杂(运维复杂;运维成本高;跨平台开发成本高;容易形成数据孤岛;数据流转复杂，一致性难以保障;数据存储冗余;计算/存储资源之间存在竞争)等困难，因此需要多，能够帮助用户简化系统架构、减少开发运维成本、提升用户体验和数据洞察力，满足更多复杂业务需求。在Gartner发布的

运维管理界面WebserverWebserver是Hippo提供运维监控的界面。默认访问地址为:4567"class="bare">http://<webserver_ip>:4567。或者在Manager管理界面我们可以通过下图所示的查看链接这里进行跳转。图15.登录HippoWebserverWebserver主要由下面几个部分构成。概况图16.概况该页面展示了Hippo集群的基本信息，包括：Masterstatus：当前的ActiveMaster，MasterGroup，MasterAddress，Master的健康状态TabletServerStatus：TabletServerAddress，健康状态，逻辑机架和数据中心信息，容量使用以及Tablet个数TabletNum：当前集群表的个数Version：Hippo版本信息库表图17.库表页面以库和表的概念集群存储的各类数据信息。库信息：库名库创建时间库内各类表的信息：点击某个库，可以看到库下所有表的信息，主要包括：••表的ID••表的名字••表的状态••表的Tablet数量••表的Engine类型••表的副本数•...

本节介绍Hippo表写入相关操作。Hippo会返回写入成功数据的下标以及总共写入成功的数据条数，如果出现行级错误（比如主键冲突），Hippo会返回具体的行级错误。插入本节介绍如何向Hippo中插入数据。curl-ushiva:shiva-XPUT'localhost:8902/hippo/v1/{table}/_bulk?database_name={database_name}&pretty'-H'Content-Type:application/json'-d'{"fields_data":[{"field_name":"book_id","field":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74...

Hippo在1.2版本提供了全文索引能力，兼容ElasticSearch6.7.2语法，在底层架构上复用了公司产品TranswarpScope的一部分特性，支持以Java/HTTPRestful的形式通过Hippo的HTTPServer接口进行全文索引的创建、查询、使用等各类需求，通过该能力的支持，可以更好的实现向量与全文的混合检索。通过将向量检索加全文检索的联合召回，可以降低漏检和误检的概率，能够实现比单独使用向量或全文更高的精度。同时，一套数据库系统可避免部署多套系统带来的架构复杂、开发运维成本高等问题。具体的使用方法除了访问端口需要将端口从8902调整为9200外，均可参考《TranswarpScope手册》4.TranswarpScopeAPI介绍。

查看Master节点通过以下命令，查看集群Master节点信息：curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/master?v'返回结果：epochtimestampactive.master.hostactive.master.portmaster.group169079683909:47:19172.29.203.18926841172.29.203.189:26841,172.29.203.189:26851,172.29.203.189:26861查看数据节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes?v'//查看所有节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes/{node}?v'//{node}表示待匹配的节点地址，支持以*通配，支持指定多个pattern，多个pattern以逗号分割返回结果：

OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...

ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...

本节测试主要描述了Hippo1.0在关键测试上的一些性能表现，该份测试同样也是Hippo的基准测试，后续版本发布也会在不同版本上进行该测试进行对比分析。术语表142.Hippo性能测试术语TermDescriptionnq一次搜索请求中搜索的向量个数topk一次请求中对于要检索的每个向量(依赖nq)，所能检索到最近距离的向量个数RT一次请求从发起到接受响应的时间]QPS请求在每秒内成功执行的次数dataset测试所用数据集，不同数据集表示不同的业务场景测试集群配置硬件配置表143.性能测试硬件配置硬件规范Nodes3CPUIntel®Xeon®Gold5218RCPU@2.10GHzMemory16*\16GBRDIMM,3200MT/sDISKNVMeSSD2T*4GPUNONE软件配置表144.性能测试软件配置软件版本Hippov1.2TranswarpManagerTDH9.3.0测试集表145.性能测试数据集数据集名称数据集介绍向量维度向量总数查询数量数据总量距离类型Sift-128-euclidean该数据集是基于Texmex的数据集整理，使用SIFT算法得到的图片特征向量。...

OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...

在Hippo中，比较耗时的操作如激活、加载向量索引实际上是一个分布式任务，用户可以通过任务相关接口查看、删除任务。查看任务curl-ushiva:shiva-XGET"localhost:8902/hippo/v1/_jobs?pretty"-H'Content-Type:application/json'-d'{"job_ids":["fc6feff4f303455a9347f9aab323dfc8"],"action_patterns":["hippo*"]}';返回结果：{"jobs":[{"job_id":"810935a1d91a46b7af2ec35013454fed","job_status":"SHIVA_JOB_SUCCESS","embedding_number":100,"task_results":[{"id":"54ab52493dfb4bab9fb7742d850c64c4","status":"TASK_SUCCESS","server":"172.29.40.26:27841","embedding_number":100,"execute_time":...

过滤条件表达式Hippo当前支持如下表达式，可用于标量或向量查询。表46.过滤条件表达式表达式描述and当前版本支持and，不支持or/not==等值<小于⇐小于等于>大于>=大于等于inin[1,2,3]notinnot_in[1,2,3]like'_'表示匹配任一字符，'%'表示匹配任意字符，'\'为转义符向量相似性检索本节描述如何进行向量相似度搜索。Hippo中的向量相似性搜索计算查询向量与表中向量的距离，返回最相似的结果集。通过指定标量过滤条件，用户可以进行向量与标量的混合搜索。curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/{table}/_search?pretty'-H'Content-Type:application/json'-d'{"output_fields":["book_id"],"search_params":{"anns_field":"book_intro","topk":2,"params":{"nprobe":10},"embedding_index":"ivf_flat_index"}...