Elasticsearch：向量相似度计算 - 可笑的速度-编程知识

作者：Chris Hegarty

任何向量数据库的核心都是距离函数，它确定两个向量的接近程度。这些距离函数在索引和搜索期间执行多次。当合并段或在图表中导航最近邻居时，大部分执行时间都花在比较向量的相似性上。对这些距离函数进行微观优化是值得的，我们已经从之前类似的优化中受益，例如参见 SIMD、FMA。

随着 Lucene 和 Elasticsearch 最近对标量量化的支持，我们现在比以往任何时候都更加依赖这些距离函数的 byte 变体。根据之前的经验，我们知道这些变体仍有显着性能改进的潜力。

目前的状况

当我们利用巴拿马向量 API 来加速 Lucene 中的距离函数时，大部分注意力都集中在 float（32 位）变体上。我们对这些方面所取得的性能改进感到非常满意。然而，字节（8 位）变体的改进有点令人失望 - 相信我，我们尝试过！字节变体的根本问题是它们没有充分利用 CPU 上可用的最佳 SIMD 指令。

在 Java 中进行算术运算时，最窄的类型是 int（32位）。 JVM 自动将字节值符号扩展为 int 类型的值。考虑这个简单的标量点积实现：

int dotProduct(byte[] a, byte[] b) {int res = 0;for (int i = 0; i < a.length; i++) {res += a[i] * b[i];}return res;
}

a 和 b 中的元素相乘的执行方式就好像 a 和 b 都是 int 类型一样，其值是从符号扩展为 int 的相应数组索引加载的字节值。

我们的 SIMD 化实现必须是等效的，因此我们需要小心确保在乘以大字节值时不会丢失溢出。我们通过显式地将加载的字节值扩展为 short（16位）来做到这一点，因为我们知道所有带符号的字节值相乘时都将适合带符号的 short 而不会丢失。然后我们在累加时需要进一步扩展为 int （32 位）。

以下是 Lucene 128 位点积代码内循环体的摘录：

ByteVector va8 = ByteVector.fromArray(ByteVector.SPECIES_64, a, i);
ByteVector vb8 = ByteVector.fromArray(ByteVector.SPECIES_64, b, i);// process first "half" only: 16-bit multiply
Vector<Short> va16 = va8.convert(B2S, 0); // B2S Byte2Short
Vector<Short> vb16 = vb8.convert(B2S, 0);
Vector<Short> prod16 = va16.mul(vb16);// 32-bit add - S2I Short2Int
acc = acc.add(prod16.convertShape(S2I, IntVector.SPECIES_128, 0));

可视化这一点，我们可以看到我们一次只处理 4 个元素。例如：

这一切都很好，即使有了这些显式的扩展对话，我们也可以通过算术运算的额外数据并行性获得一些不错的速度，只是没有我们知道的那么快。我们知道还有剩余潜力的原因是，每次拓宽都会使车道数量减半，这实际上将算术运算的数量减半。 JVM 的 C2 JIT 编译器并未优化显式扩展对话。此外，我们仅访问数据的下半部分 - 访问下半部分以外的任何内容都不会产生良好的机器代码。这就是我们将潜在性能 “摆在桌面上” 的地方。

目前，这已经是我们在 Java 中所能做到的最好的了。从长远来看，Panama Vector API 和/或 C2 JIT 编译器应该为此类操作提供更好的支持，但至少目前，这已经是我们能做的最好的了。或者是吗？

介绍（另一个）巴拿马 API - FFM

OpenJDK 的巴拿马项目有几个不同的分支，我们已经看到了巴拿马向量 API 的实际应用，但该项目的旗舰是 Foregin Function and Memory API (FFM)。 FFM API 为与 Java 运行时之外的代码和内存交互提供了较低的开销。 JVM 是一项令人惊叹的工程，它抽象了架构和平台之间的许多差异，但有时它并不总是能够做出最佳权衡，这是可以理解的。当 JVM 无法轻易做到这一点时，FFM 可以拯救我们，如果程序员不喜欢所做的权衡，那么她可以将事情掌握在自己手中。这就是这样一个领域，巴拿马向量 API 的权衡对于 byte 大小的向量来说并不合适。

我们已经在利用 Lucene 中的外部内存支持来协调对映射的堆外索引数据的更安全的访问。为什么不使用外部调用支持来调用已经优化的距离计算函数？由于我们的距离计算函数很小，并且对于我们已经知道最佳 CPU 指令集的某些部署和架构集，为什么不只编写我们想要的一小块本机代码。然后通过外部调用API来调用它。

采用外部函数 - going foregin

Elastic Cloud 具有针对向量搜索优化的配置文件。此配置文件针对 ARM 架构，因此让我们看看如何对此进行优化。

让我们使用一些 ARM Neon 内在函数用 C 语言编写距离函数（例如点积）。同样，我们将重点关注循环的内部主体。看起来是这样的：

int32x4_t acc1, acc2 // = vdupq_n_s32(0);...
// Read into 16 x 8 bit vectors.
int8x16_t va8 = vld1q_s8((const void*)(a + i));
int8x16_t vb8 = vld1q_s8((const void*)(b + i));int16x8_t va16 = vmull_s8(vget_low_s8(va8), vget_low_s8(vb8));
int16x8_t vb16 = vmull_s8(vget_high_s8(va8), vget_high_s8(vb8));// Accumulate 4 x 32 bit vectors (adding adjacent 16 bit lanes).
acc1 = vpadalq_s16(acc1, va16);
acc2 = vpadalq_s16(acc2, vb16);

我们将 a 和 b 向量中的 16 个 8 位值分别加载到 va8 和 vb8 中。然后，我们将下半部分相乘并将结果存储在 va16 中 - 该结果包含 8 个 16 位值，并且该操作隐式处理加宽。与上半部分类似。最后，由于我们对完整的原始 16 个值进行操作，因此使用两个累加器来存储结果会更快。 vpadalq_s16 加法和累加内在函数知道如何在累加到 4 个 32 位值时隐式扩展。总之，我们在每个循环迭代中对所有 16 字节值进行了操作。好的！

其反汇编非常干净并且反映了上述本质。

ldr    q2, [x1, x8]     # loads first vector data into 128-bit q2
ldr    q3, [x2, x8]     # loads second vector data into 128-bit q3
smull.8h   v4, v2, v3   # multiplies low half, result in v4
smull2.8h  v2, v2, v3   # multiplies high half, result in v2
sadalp.4s  v0, v4       # accumulates into v0
sadalp.4s  v1, v2       # accumulates into v1

ARM 上的 Neon SIMD 具有算术指令，可以提供我们想要的语义，而无需进行额外的显式扩展。 C 内联公开了这些指令，以便我们可以利用的方式使用这些指令。对密集包含值的寄存器进行的操作比我们使用巴拿马向量 API 所做的要干净得多。

回到 Java-land

最后一个难题是 Java 中的一个小 “垫片 (shim)” 层，它使用 FFM API 链接到我们的外部代码。我们的向量数据是堆外的，我们将其映射到 MemorySegment，并根据向量维度确定偏移量和内存地址

static int dot8s(MemorySegment a, MemorySegment b, int dims) {var mh$ = dot8s$MH();try {return (int)mh$.invokeExact(a, b, dims);} catch (Throwable ex$) {...}
}

我们还有更多的工作要做，因为现在这是特定于平台的 Java 代码，因此我们仅在 aarch64 平台上执行它，而回退到其他平台上的替代实现。

那么它实际上比巴拿马向量代码更快吗？