安装和使用说明

针对Milvus数据库的KBest优化特性以patch文件形式提供，在应用这个优化特性之前，还需要先安装鲲鹏召回算法库，保证patch文件正常通过编译。

开源Milvus源码不包括索引相关的组件Knowhere，需要在编译过程中拉取Knowhere的源码并进行对接。本次优化特性主要应用于索引查询，补丁文件主要会添加到Knowhere源码中。所以整体使用过程需要编译Milvus两次，一次编译拉取Knowhere的源码，在打入patch文件后进行第二次编译，用来使能优化特性。

1. 下载鲲鹏召回算法库放在主目录（~）下，解压并安装。

   获取路径请参见表2的KBest获取路径，执行以下命令解压和安装。

   1 2 3

   cd ~ unzip BoostKit-SRA_Recall-1.2.0.zip rpm -ivh boostkit-sra_recall-1.2.0-1.aarch64.rpm

2. 使用git克隆Milvus并切换到2.4.5版本，放在主目录（~）下。

   获取路径请参见表2，参见《Milvus 安装指南》完成Milvus的编译安装。

3. 获取优化特性的补丁文件，将其上传到主目录（~）下。

   获取路径请参见表2。

4. 执行以下命令，合入优化特性。没有输出则说明合入成功。

   1 2 3 4

   cd ~/milvus git apply --whitespace=nowarn < ~/0001-milvus-add-kbest-kscann.patch cd ~/milvus/cmake_build/thirdparty/knowhere/knowhere-src/ git apply --whitespace=nowarn < ~/0001-knowhere-add-kbest-kscann.patch

5. 回到安装目录下，再次全量编译Milvus，以使用优化特性。
   

   由于最新patch文件进行了更新，里面包含了KBest和KScaNN两个算法的内容，引入KScaNN相关开源代码的头文件，需要提前下载好KScaNN相关源码，指定相关变量。具体操作参考《Milvus KScaNN优化 特性指南》。若是仅想使能旧有KBest算法，可以在gitee发布页面下载旧版patch，同时在测试工具中，删除新增的参数。

   1 2	cd ~/milvus make milvus

6. 通过ann-benchmarks gist数据集进行测试，可以得到使用加速优化特性前后的性能提升效果，如图1所示。即采用鲲鹏召回算法KBest，对比hnsw算法，将Milvus查询性能（QPS）提升30%以上。详细测试步骤请参见《Milvus ann-benchmarks 测试指导》。
   图1 优化特性使能前后性能对比