Milvus KScaNN算法优化

应用场景：追求高精度下的高性能。

技术原理：ScaNN（Scalable Nearest Neighbors）是由Google发布的高效向量相似性检索开源算法库，基于IVFPQ原理，通过x86上的4bit SIMD深度优化和各向异性量化损失函数优化，实现了极高的检索性能。KScaNN（Kunpeng Scalable Nearest Neighbors）是ScaNN算法移植到ARM平台后的产物，并基于倒排索引，结合鲲鹏架构深度优化索引布局、算法流程和计算流程，充分挖掘出了芯片潜力。它采用鲲鹏硬件的向量化指令、量化等技术，提供对标开源ScaNN的完整检索能力。

性能指标：在16U64G规格上，Milvus-KScaNN算法在ann-benchmarks Gist数据集且recall值在0.99以上的场景，QPS（Query Per Second，每秒查询数）性能相较于Milvus-ScaNN算法可获得30%的提升。

图1 优化特性使能前后性能对比

如何使用：通过patch文件形式提供，该patch文件基于开源Milvus 2.4.5、Knowhere 2.3.5编译安装部署。