- 정확 벡터 검색은 주어진 점과 벡터 공간의 모든 점 사이의 거리를 계산합니다. 이 방식은 가능한 최고 수준의 정확도를 보장하며, 즉 반환된 점이 실제 최근접 이웃임을 보장합니다. 벡터 공간 전체를 전수 탐색하므로 실제 환경에서는 정확 벡터 검색이 너무 느릴 수 있습니다.
- 근사 벡터 검색은 정확 벡터 검색보다 훨씬 빠르게 결과를 계산하는 기법들의 집합을 의미합니다(예: 그래프나 랜덤 포리스트 같은 특수한 데이터 구조). 결과 정확도는 일반적으로 실용적인 용도에 충분한 수준입니다. 많은 근사 기법은 결과 정확도와 검색 시간 사이의 절충점을 조정할 수 있는 매개변수를 제공합니다.
vectors 컬럼에 저장됩니다. 예를 들면 Array(Float64), Array(Float32), 또는 Array(BFloat16)입니다.
기준 벡터는 상수 배열이며 공통 테이블 표현식으로 지정됩니다.
<DistanceFunction>은 기준점과 저장된 모든 점 사이의 거리를 계산합니다.
이때 사용 가능한 거리 함수는 어느 것이나 사용할 수 있습니다.
<N>은 반환할 이웃의 수를 지정합니다.
정확 벡터 검색
예시
근사 벡터 검색
벡터 유사성 인덱스
벡터 유사성 인덱스는 ClickHouse 버전 25.8 이상에서 사용할 수 있습니다.
문제가 발생하면 ClickHouse 리포지토리에 이슈를 등록해 주십시오.
벡터 유사성 인덱스 생성
ALTER TABLE 문은 앞으로 테이블에 삽입되는 새 데이터에 대해서만 인덱스가 빌드되도록 합니다.
기존 데이터에도 인덱스를 빌드하려면 이를 구체화해야 합니다:
<distance_function>은 다음 중 하나여야 합니다.
L2Distance: Euclidean distance로, 유클리드 공간에서 두 점 사이를 잇는 선분의 길이를 나타냅니다.cosineDistance: cosine distance로, 0이 아닌 두 벡터 사이의 각도를 나타내거나dotProduct: dot product(내적)로, 두 벡터의 각 원소별 곱을 합한 값을 나타냅니다. 정규화된 데이터에서는cosineDistance와 동일합니다.
L2Distance가 가장 적합하며, 그렇지 않은 경우에는 스케일 차이를 보정하기 위해 cosineDistance를 권장합니다.
거리 함수
L2Distance와 cosineDistance는 값이 작을수록 유사성이 높고, dotProduct는 값이 클수록 유사성이 높습니다.
따라서 L2Distance와 cosineDistance를 사용하는 벡터 인덱스는 SELECT [...] ORDER BY [...] ASC 쿼리에서만 사용할 수 있으며(ASC는 ORDER BY의 기본값입니다), dotProduct용으로 생성된 벡터 인덱스는 SELECT [...] ORDER BY [...] DESC 쿼리에서만 사용할 수 있습니다.<dimensions>는 기반 컬럼에 있는 배열의 cardinality(원소 개수)를 지정합니다.
ClickHouse가 인덱스를 생성하는 동안 cardinality가 다른 배열을 발견하면 해당 인덱스는 폐기되고 오류가 반환됩니다.
선택적 GRANULARITY 매개변수 <N>은 인덱스 그래뉼의 크기를 의미합니다(여기 참조).
기본 인덱스 세분화 수준으로 1을 사용하는 일반적인 스킵 인덱스와 달리, 벡터 유사성 인덱스는 기본 인덱스 세분화 수준으로 1억을 사용합니다.
이 값은 큰 파트에서도 내부적으로 소수의 인덱스만 생성되도록 합니다.
인덱스 세분화 수준 변경은 그 영향 범위를 충분히 이해하는 고급 사용자에게만 권장합니다(아래 참조).
벡터 유사성 인덱스는 다양한 근사 검색 메서드를 지원할 수 있다는 의미에서 범용적입니다.
실제로 사용할 메서드는 매개변수 <type>으로 지정합니다.
현재 사용할 수 있는 유일한 메서드는 HNSW(academic paper)이며, 계층적 근접 그래프를 기반으로 하는 널리 사용되는 최신 근사 벡터 검색 기법입니다.
<type>으로 HNSW를 사용하는 경우, 추가적인 HNSW 전용 매개변수를 선택적으로 지정할 수 있습니다:
<quantization>은 근접 그래프에서 벡터의 양자화를 제어합니다. 가능한 값은f64,f32,f16,bf16,i8,b1입니다. 기본값은bf16입니다. 이 매개변수는 기반 컬럼에 저장된 벡터의 표현에는 영향을 주지 않습니다.<hnsw_max_connections_per_layer>는 그래프 노드당 이웃 수를 제어하며, HNSW 하이퍼매개변수M이라고도 합니다. 기본값은32입니다. 값0은 기본값을 사용함을 의미합니다.<hnsw_candidate_list_size_for_construction>는 HNSW 그래프를 구성하는 동안 동적 후보 목록의 크기를 제어하며, HNSW 하이퍼매개변수ef_construction이라고도 합니다. 기본값은128입니다. 값0은 기본값을 사용함을 의미합니다.
- 벡터 유사성 인덱스는 Array(Float32), Array(Float64), Array(BFloat16) 타입의 컬럼에만 생성할 수 있습니다.
Array(Nullable(Float32))및Array(LowCardinality(Float32))와 같은 널 허용 또는 LowCardinality float 배열은 허용되지 않습니다. - 벡터 유사성 인덱스는 단일 컬럼에만 생성해야 합니다.
- 벡터 유사성 인덱스는 계산 표현식(예:
INDEX index_name arraySort(vectors) TYPE vector_similarity([...]))에 생성할 수도 있지만, 이렇게 생성한 인덱스는 이후 근사 최근접 이웃 검색에 사용할 수 없습니다. - 벡터 유사성 인덱스를 생성하려면 기반 컬럼의 모든 배열에
<dimension>개의 요소가 있어야 하며, 이는 인덱스 생성 시 확인됩니다. 이 요구 사항 위반을 가능한 한 빨리 감지하려면 벡터 컬럼에 제약 조건을 추가할 수 있습니다. 예:CONSTRAINT same_length CHECK length(vectors) = 256. - 마찬가지로 기반 컬럼의 배열 값은 비어 있어서는 안 되며(
[]), 기본값(역시[])이어서도 안 됩니다.
벡터 유사도 인덱스 사용하기
벡터 유사성 인덱스를 사용하려면 compatibility 설정이
''(기본값)이거나 '25.1' 이상이어야 합니다.SELECT [...] SETTINGS hnsw_candidate_list_size_for_search = <value>).
해당 설정의 기본값인 256은 대부분의 사용 사례에서 잘 동작합니다.
설정값이 높을수록 정확도는 향상되지만 성능은 저하됩니다.
쿼리가 벡터 유사도 인덱스를 사용할 수 있는 경우, ClickHouse는 SELECT 쿼리에 지정된 LIMIT <N> 값이 적절한 범위 내에 있는지 확인합니다.
구체적으로, <N>이 설정 max_limit_for_vector_search_queries의 값(기본값: 100)보다 크면 오류가 반환됩니다.
LIMIT 값이 너무 크면 검색 속도가 저하될 수 있으며, 일반적으로 잘못된 사용을 의미합니다.
SELECT 쿼리가 벡터 유사성 인덱스를 사용하는지 확인하려면 쿼리 앞에 EXPLAIN indexes = 1을 붙이십시오.
예시로, 다음 쿼리를
Skip과 벡터 인덱스의 이름 및 유형(예시에서는 idx와 vector_similarity)이 포함되어 있으면 벡터 유사성 인덱스가 사용된 것입니다.
이 경우, 벡터 유사성 인덱스가 4개의 그래뉼 중 2개를 건너뛰었으며, 이는 전체 데이터의 50%에 해당합니다.
건너뛸 수 있는 그래뉼이 많을수록 인덱스 활용 효율이 높아집니다.
포스트 필터링 및 프리 필터링
SELECT 쿼리에 추가 필터 조건을 포함하는 WHERE 절을 선택적으로 지정할 수 있습니다.
ClickHouse는 포스트필터링 또는 프리필터링 전략을 사용하여 이러한 필터 조건을 평가합니다.
두 전략의 차이는 필터가 평가되는 순서에 있습니다:
- 포스트필터링은 먼저 벡터 유사성 인덱스를 평가한 후, ClickHouse가
WHERE절에 지정된 추가 필터를 평가하는 방식을 의미합니다. - 사전 필터링은 필터의 평가 순서가 반대로 적용된다는 뜻입니다.
- 포스트필터링은 일반적으로
LIMIT <N>절에서 요청한 행 수보다 적은 수의 결과를 반환할 수 있다는 문제가 있습니다. 이는 벡터 유사성 인덱스가 반환한 결과 행 중 하나 이상이 추가 필터 조건을 만족하지 못할 때 발생합니다. - 프리필터링은 일반적으로 아직 해결되지 않은 문제입니다. 일부 특화된 벡터 데이터베이스는 프리필터링 알고리즘을 제공하지만, 대부분의 관계형 데이터베이스(ClickHouse 포함)는 정확한 최근접 이웃 검색으로 폴백하며, 즉 인덱스 없이 브루트포스로 스캔합니다.
year 컬럼을 기준으로 범위 파티셔닝되어 있고 다음 쿼리를 실행한다고 가정합니다.
- 필터 조건이 파트 내에서 하나 이상의 행을 제외하면, ClickHouse는 해당 파트에서 “남아 있는” ranges에 대해 프리필터링으로 전환합니다.
- 필터 조건이 파트 내에서 어떤 행도 제외하지 않으면, ClickHouse는 해당 파트에 대해 포스트필터링을 수행합니다.
prefilter로 설정할 수 있습니다(기본값: 위 휴리스틱을 구현하는 auto).
이는 추가 필터 조건의 선택도가 매우 높은 경우 프리필터링을 강제할 때 유용합니다.
예를 들어, 다음 쿼리는 프리필터링의 이점을 얻을 수 있습니다:
SETTINGS vector_search_filter_strategy = 'prefilter' 추가) ClickHouse는 먼저 가격이 2달러 미만인 모든 책을 찾은 다음, 찾은 책들에 대해 브루트포스 벡터 검색을 수행합니다.
위 문제를 해결하는 또 다른 방법으로, vector_search_index_fetch_multiplier (기본값: 1.0, 최댓값: 1000.0)를 1.0보다 큰 값(예: 2.0)으로 설정할 수 있습니다.
벡터 인덱스에서 가져오는 최근접 이웃 수에 이 설정값을 곱한 뒤, 해당 행들에 추가 필터를 적용하여 LIMIT 개수만큼의 행을 반환합니다.
예를 들어, multiplier를 3.0으로 설정해 다시 쿼리할 수 있습니다:
vector_search_index_fetch_multiplier를 설정하면 이 문제를 완화할 수 있지만, 극단적인 경우(WHERE 조건의 선택도가 매우 높은 경우)에는 요청한 N개보다 적은 행만 반환될 수도 있습니다.
재점수화
ClickHouse의 스킵 인덱스는 일반적으로 그래뉼 수준에서 필터링합니다. 즉, 스킵 인덱스에서 내부적으로 조회를 수행하면 잠재적으로 일치하는 그래뉼 목록이 반환되며, 그 결과 후속 스캔에서 읽어야 할 데이터의 양이 줄어듭니다.
이는 일반적인 스킵 인덱스에서는 잘 작동하지만, 벡터 유사성 인덱스에서는 “세분화 수준 불일치”가 발생합니다.
좀 더 자세히 설명하면, 벡터 유사성 인덱스는 주어진 참조 벡터에 대해 가장 유사한 N개의 벡터에 해당하는 행 번호를 결정한 다음, 이 행 번호를 그래뉼 번호로 환산해야 합니다.
그런 다음 ClickHouse는 디스크에서 해당 그래뉼을 로드하고, 그 그래뉼에 포함된 모든 벡터에 대해 거리 계산을 다시 수행합니다.
이 단계를 rescoring이라고 하며, 이론적으로는 정확도를 높일 수 있지만 — 벡터 유사성 인덱스는 근사 결과만 반환한다는 점을 감안하더라도 — 성능 측면에서는 최적이라고 보기 어렵습니다.
따라서 ClickHouse는 rescoring을 비활성화하고 인덱스에서 가장 유사한 벡터와 그 거리를 직접 반환하는 최적화를 제공합니다.
이 최적화는 기본적으로 활성화되어 있습니다. vector_search_with_rescoring 설정을 참조하십시오.
개략적으로 보면, ClickHouse는 가장 유사한 벡터와 그 거리를 가상 컬럼 _distances를 통해 제공합니다.
이를 확인하려면 EXPLAIN header = 1과 함께 벡터 검색 쿼리를 실행하십시오:
재점수화 없이 실행되는 쿼리(
vector_search_with_rescoring = 0)라도 병렬 레플리카가 활성화되어 있으면 재점수화로 폴백될 수 있습니다.성능 튜닝
CODEC(NONE)를 지정하십시오:
system.text_log)는 벡터 유사성 인덱스가 로드되고 있음을 나타냅니다.
이러한 메시지가 서로 다른 벡터 검색 쿼리에서 반복적으로 나타난다면, 캐시 크기가 너무 작다는 뜻입니다.
벡터 유사성 인덱스 캐시는 벡터 인덱스 그래뉼을 저장합니다.
개별 벡터 인덱스 그래뉼의 크기가 캐시 크기보다 크면 캐시되지 않습니다.
따라서 “스토리지 및 메모리 사용량 추정”의 공식 또는 system.data_skipping_indices를 기준으로 벡터 인덱스 크기를 계산한 뒤, 이에 맞춰 캐시 크기를 설정하십시오.
양자화를 적용하면 원래의 전체 정밀도 부동소수점 값(
f32)을 사용하는 검색과 비교해 벡터 검색의 정확도가 낮아집니다.
하지만 대부분의 데이터셋에서는 반정밀도 brain float 양자화(bf16)의 정확도 손실이 미미하므로, 벡터 유사성 인덱스는 기본적으로 이 양자화 기법을 사용합니다.
1/4 정밀도(i8) 및 바이너리(b1) 양자화는 벡터 검색에서 눈에 띄는 정확도 손실을 초래합니다.
벡터 유사성 인덱스의 크기가 사용 가능한 DRAM 크기보다 상당히 클 때에만 이 두 양자화를 권장합니다.
이 경우 정확도를 높이기 위해 rescoring(vector_search_index_fetch_multiplier, vector_search_with_rescoring)도 활성화할 것을 권장합니다.
바이너리 양자화는 1) 정규화된 임베딩(즉, 벡터 길이 = 1이며 OpenAI 모델은 일반적으로 정규화되어 있음), 2) 거리 함수로 cosine distance를 사용하는 경우에만 권장합니다.
바이너리 양자화는 내부적으로 Hamming distance를 사용해 근접 그래프를 구성하고 검색합니다.
rescoring 단계에서는 테이블에 저장된 원래의 전체 정밀도 벡터를 사용해 cosine distance를 통해 nearest neighbours를 식별합니다.
데이터 전송 조정
벡터 검색 쿼리의 기준 벡터는 사용자가 제공하며, 일반적으로 Large Language Model (LLM)을 호출해 가져옵니다.
ClickHouse에서 벡터 검색을 실행하는 일반적인 Python 코드는 다음과 같습니다
search_v)는 차원이 매우 클 수 있습니다.
예를 들어 OpenAI는 1536차원, 심지어 3072차원의 임베딩 벡터를 생성하는 모델을 제공합니다.
위 코드에서는 ClickHouse Python driver가 임베딩 벡터를 사람이 읽을 수 있는 문자열로 치환한 뒤 SELECT 쿼리 전체를 문자열로 전송합니다.
임베딩 벡터가 단정밀도 부동소수점 값 1536개로 이루어져 있다고 가정하면, 전송되는 문자열 길이는 20 kB에 달합니다.
이로 인해 토큰화, 파싱, 그리고 수천 번의 문자열-부동소수점 변환을 수행하느라 CPU 사용량이 높아집니다.
또한 ClickHouse 서버 로그 파일에도 상당한 공간이 필요하며, 그 결과 system.query_log 역시 비대해집니다.
대부분의 LLM 모델은 임베딩 벡터를 네이티브 float의 목록 또는 NumPy 배열로 반환합니다.
따라서 Python 애플리케이션에서는 다음과 같은 방식으로 참조 벡터 매개변수를 바이너리 형식으로 바인딩하는 것을 권장합니다:
system.query_log가 불필요하게 커지는 것도 방지할 수 있습니다.
관리 및 모니터링
일반 스키핑 인덱스와의 차이점
GRANULARITY = [N]개의 그래뉼로 이루어집니다(일반 스키핑 인덱스의 기본값은 [N] = 1).
예를 들어 테이블의 프라이머리 인덱스 세분화 수준이 8192이고(index_granularity = 8192 설정) GRANULARITY = 2이면, 각 인덱싱된 블록에는 16384개의 행이 포함됩니다.
하지만 근사 최근접 이웃 검색을 위한 데이터 구조와 알고리즘은 본질적으로 행 지향입니다.
이들은 행 집합의 압축된 표현을 저장하고, 벡터 검색 쿼리에 대해서도 행을 반환합니다.
이 때문에 벡터 유사성 인덱스는 일반 스키핑 인덱스와 비교했을 때 동작 방식에 다소 직관적이지 않은 차이가 있습니다.
사용자가 컬럼에 벡터 유사성 인덱스를 정의하면, ClickHouse는 내부적으로 각 인덱스 블록마다 벡터 유사성 “서브 인덱스”를 생성합니다.
이 서브 인덱스는 자신이 속한 인덱스 블록의 행만 알고 있다는 점에서 “로컬”입니다.
앞선 예시에서 컬럼에 65536개의 행이 있다고 가정하면, 4개의 인덱스 블록(8개의 그래뉼에 걸쳐 있음)과 각 인덱스 블록에 대한 벡터 유사성 서브 인덱스를 얻게 됩니다.
이론적으로 서브 인덱스는 자신이 담당하는 인덱스 블록 내에서 가장 가까운 N개의 점에 해당하는 행을 직접 반환할 수 있습니다.
하지만 ClickHouse는 그래뉼 단위로 디스크에서 메모리로 데이터를 로드하므로, 서브 인덱스는 일치하는 행을 그래뉼 단위로 확장해 처리합니다.
이는 일반 스키핑 인덱스가 인덱스 블록 단위로 데이터를 스키핑하는 것과 다릅니다.
GRANULARITY 매개변수는 생성되는 벡터 유사성 서브 인덱스의 개수를 결정합니다.
GRANULARITY 값이 클수록 벡터 유사성 서브 인덱스 수는 줄어들지만 각 서브 인덱스는 더 커지며, 결국 컬럼(또는 컬럼의 데이터 파트)에 서브 인덱스가 하나만 남는 수준까지 갈 수 있습니다.
이 경우 서브 인덱스는 컬럼의 모든 행을 “전역적”으로 볼 수 있으며, 관련 행이 있는 컬럼(파트)의 그래뉼을 직접 모두 반환할 수 있습니다(그러한 그래뉼 수는 최대 LIMIT [N]개입니다).
두 번째 단계에서 ClickHouse는 이 그래뉼을 로드한 뒤, 해당 그래뉼의 모든 행에 대해 무차별 대입 방식으로 거리를 계산하여 실제로 가장 적합한 행을 식별합니다.
GRANULARITY 값이 작으면 각 서브 인덱스가 최대 LIMIT N개의 그래뉼을 반환합니다.
그 결과 더 많은 그래뉼을 로드한 후 후처리 필터링해야 합니다.
검색 정확도는 두 경우 모두 동일하게 우수하며, 차이가 나는 것은 처리 성능뿐이라는 점에 유의하십시오.
일반적으로 벡터 유사성 인덱스에는 큰 GRANULARITY를 사용하는 것이 권장되며, 벡터 유사성 구조의 메모리 사용량이 지나치게 커지는 등의 문제가 있을 때만 더 작은 GRANULARITY 값으로 낮추는 것이 좋습니다.
벡터 유사성 인덱스에 GRANULARITY를 지정하지 않으면 기본값은 1억입니다.
예시
Query
Response
Quantized Bit (QBit)
Array(Float32) 대신 Array(BFloat16)로 저장하면 데이터 크기가 절반으로 줄어들고, 쿼리 런타임도 그에 비례해 감소할 것으로 예상됩니다.
이 방법을 양자화라고 합니다. 계산 속도는 빨라지지만, 모든 벡터를 전수 스캔하더라도 결과의 정확도가 떨어질 수 있습니다.
기존의 양자화 방식에서는 검색 시점과 데이터 저장 시점 모두에서 정밀도가 손실됩니다. 위 예시에서는 Float32 대신 BFloat16를 저장하므로, 나중에 원하더라도 더 정확한 검색을 수행할 수 없습니다. 한 가지 대안은 데이터를 양자화된 버전과 전체 정밀도 버전으로 각각 저장하는 것입니다. 이 방식은 가능하지만 저장 공간이 중복으로 필요합니다. 원본 데이터가 Float64이고 서로 다른 정밀도(16비트, 32비트 또는 전체 64비트)로 검색을 실행하려는 상황을 생각해 보십시오. 이 경우 데이터를 3개의 별도 복사본으로 저장해야 합니다.
ClickHouse는 이러한 한계를 해결하기 위해 Quantized Bit (QBit) 데이터 타입을 제공합니다. 주요 특징은 다음과 같습니다.
- 원본의 전체 정밀도 데이터를 저장합니다.
- 쿼리 시점에 양자화 정밀도를 지정할 수 있습니다.
QBit 타입의 컬럼을 선언하려면 다음 구문을 사용하십시오:
element_type– 각 벡터 요소의 타입입니다. 지원되는 타입은BFloat16,Float32,Float64입니다.dimension– 각 벡터의 차원입니다.
QBit 테이블 만들기 및 데이터 추가
QBit을 사용한 벡터 검색
QBit에서 사용할 수 있는 모든 거리 함수는 여기에서 확인할 수 있습니다.
전체 정밀도 검색(64비트):
성능 고려 사항
QBit의 성능상 이점은 I/O 작업이 줄어든다는 점에 있습니다. 정밀도를 낮추면 스토리지에서 읽어야 할 데이터가 줄어들기 때문입니다. 또한 QBit에 Float32 데이터가 포함된 경우, 정밀도 매개변수가 16 이하이면 계산량이 감소해 추가적인 이점도 얻을 수 있습니다. 정밀도 매개변수는 정확도와 속도 사이의 절충 관계를 직접 제어합니다.
- 더 높은 정밀도(원본 데이터 폭에 더 가까움): 결과는 더 정확하지만 쿼리는 더 느림
- 더 낮은 정밀도: 근사 결과를 더 빠르게 얻을 수 있고, 메모리 사용량도 줄어듦