向量索引
本文介绍了StarRocks的向量索引功能及如何使用它进行近似最近邻搜索(ANNS)。
概述
目前,StarRocks支持在Segment文件级别进行向量索引。索引将每个搜索项映射到Segment文件中的行ID,通过直接定位相应的数据行实现快速数据检索,而无需进行暴力的向量距离计算。系统目前提供两种类型的向量索引:倒排文件与乘积量化(IVFPQ)和分层可导航小世界(HNSW),每种都有其独特的组织结构。
倒排文件与乘积量化(IVFPQ)
倒排文件与乘积量化(IVFPQ)是一种用于大规模高维向量近似最近邻搜索的方法,常用于深度学习和机器学习中的向量检索任务。IVFPQ由两个主要组件组成:倒排文件和乘积量化。
- 倒排文件:这是一个索引方法。它将数据集划分为多个簇(或Voronoi单元),每个簇都有一个质心(种子点),并将每个数据点(向量)分配到其最近的簇中心。对于向量搜索,IVFPQ只需搜索最近的簇,大大减少了搜索范围和复杂性。
- 乘积量化:这是一种数据压缩技术。它将高维向量分割为子向量,并将每个子向量量化以映射到预定义集合中的最近点,从而在保持高精度的同时降低存储和计算成本。
通过结合倒排文件和乘积量化,IVFPQ能够在大规模高维数据集中实现高效的近似最近邻搜索。
分层可导航小世界(HNSW)
分层可导航小世界(HNSW)是一种基于图的高维最近邻搜索算法,也广泛用于向量检索任务。
HNSW构建了一个分层图结构,其中每一层都是一个可导航的小世界(NSW)图。在图中,每个顶点代表一个数据点,边表示顶点之间的相似性。图的高层包含较少的顶点和稀疏的连接用于快速全局搜索,而低层包含所有顶点和密集的连接用于精确的局部搜索。
对于向量搜索,HNSW首先在顶层进行搜索,快速识别一个近似的最近邻区域,然后逐层向下移动,在底层找到精确的最近邻。
HNSW提供了效率和精度的平衡,使其适应各种数据和查询分布。
IVFPQ与HNSW的比较
- 数据压缩比:IVFPQ具有较高的压缩比(约为1:0.15)。由于PQ会压缩向量,索引计算仅提供粗略排序后的初步排序结果,需要额外的精细排序以获得最终排序结果,导致更高的计算和延迟。HNSW具有较低的压缩比(约为1:0.8),无需额外处理即可提供精确排序,计算成本和延迟较低,但存储成本较高。
- 召回率调整:两种索引都支持通过参数调整召回率,但在相似的召回率下,IVFPQ的计算成本更高。
- 缓存策略:IVFPQ允许通过调整索引块的缓存比例来平衡内存成本和计算延迟,而HNSW目前仅支持全文件缓存。
使用方法
先决条件
- 每个表仅支持一个向量索引。
- 被索引的列必须为
ARRAY<FLOAT> NOT NULL。 - 仅原生 DUPLICATE KEY 和 PRIMARY KEY 表支持向量索引。
创建向量索引
本教程在创建表时创建向量索引。您也可以将向量索引附加到现有表中。有关详细说明,请参见附加向量索引。
-
以下示例在表
hnsw的列vector上创建一个HNSW向量索引hnsw_vector。CREATE TABLE hnsw ( id BIGINT(20) NOT NULL COMMENT "", vector ARRAY<FLOAT> NOT NULL COMMENT "", INDEX hnsw_vector (vector) USING VECTOR ( "index_type" = "hnsw", "dim"="5", "metric_type" = "l2_distance", "is_vector_normed" = "false", "M" = "16", "efconstruction" = "40" ) ) ENGINE=OLAP DUPLICATE KEY(id) DISTRIBUTED BY HASH(id) BUCKETS 1; -
以下示例在表
ivfpq的列vector上创建一个IVFPQ向量索引ivfpq_vector。CREATE TABLE ivfpq ( id BIGINT(20) NOT NULL COMMENT "", vector ARRAY<FLOAT> NOT NULL COMMENT "", INDEX ivfpq_vector (vector) USING VECTOR ( "index_type" = "ivfpq", "dim"="5", "metric_type" = "l2_distance", "is_vector_normed" = "false", "nbits" = "8", "nlist" = "40", "M_IVFPQ" = "1" ) ) ENGINE=OLAP DUPLICATE KEY(id) DISTRIBUTED BY HASH(id) BUCKETS 1; -
以下示例使用
async构建模式,在存算分离集群中的云原生表上创建一个 HNSW 向量索引。CREATE TABLE hnsw_async ( id BIGINT NOT NULL, vector ARRAY<FLOAT> NOT NULL, INDEX hnsw_vector (vector) USING VECTOR ( "index_type" = "hnsw", "dim" = "768", "metric_type" = "cosine_similarity", "is_vector_normed" = "true", "index_build_mode" = "async" ) ) ENGINE=OLAP DUPLICATE KEY(id) DISTRIBUTED BY HASH(id);您可以通过查询
information_schema.partitions_meta来查看异步构建的进度。SELECT TABLE_NAME, PARTITION_NAME, VISIBLE_VERSION, MIN_VI_BUILT_VERSION, MAX_VI_BUILT_VERSION FROM information_schema.partitions_meta WHERE TABLE_NAME = 'hnsw_async';- 当
MIN_VI_BUILT_VERSION等于VISIBLE_VERSION时,表明该分区中所有 Tablet 的索引均已达到可见版本。 - 当
MIN_VI_BUILT_VERSION小于VISIBLE_VERSION时,表明至少有一个索引正在构建中。涉及此类 Segment 的查询将回退到暴力扫描。 - 当
MIN_VI_BUILT_VERSION小于MAX_VI_BUILT_VERSION时,表明不同 Tablet 在索引构建进度上存在差异。
- 当
索引构建参数
USING VECTOR
- 默认值: N/A
- 必需: 是
- 描述: 创建一个向量索引。
index_type
- 默认值: N/A
- 必需: 是
- 描述: 向量索引类型。有效值:
hnsw和ivfpq。
dim
- 默认值: N/A
- 必需: 是
- 描述: 索引的维度。索引构建完成后,不符合维度要求的向量将被拒绝加载到基础列中。必须是大于或等于
1的整数。
metric_type
- 默认值: N/A
- 必需: 是
- 描述: 向量索引的度量类型(测量函数)。有效值:
l2_distance: 欧氏距离。值越小,相似度越高。cosine_similarity: 余弦相似度。值越大,相似度越高。inner_product: 内积。值越大,相似度越高。与余弦相似度不同,内积保留向量模长。精确计算使用inner_product,向量索引 top-k 或范围查询使用approx_inner_product。
is_vector_normed
- 默认值: false
- 必需: 否
- 描述: 向量是否已归一化。有效值为
true和false。仅当metric_type为cosine_similarity时生效。如果向量已归一化,计算出的距离值将在[-1, 1]之间。向量必须满足平方和为1,否则返回错误。
index_build_threshold
- 默认值: 10000(由 BE 配置项
config_vector_index_default_build_threshold决定) - 必需: 否
- 描述: 触发向量索引构建的行数阈值。写入的数据行数低于该阈值时不构建索引,查询回退到暴力检索。取值必须为大于等于
1的整数。对于 IVFPQ 索引,该值还必须大于等于nlist,因为 IVFPQ 的 k-means 训练至少需要nlist条向量。违反该约束的 DDL 语句会被拒绝。
index_build_mode
- 默认值:
sync - 必需: 否
- 描述: 存算分离集群中的索引构建方式。有效值:
sync:在数据写入时同步构建索引。查询可立即使用索引,但导入延迟较高。async:数据写入完成后由后台任务构建索引。在构建完成前,涉及相应 Segment 的查询自动回退到暴力检索。可以通过lake_vector_index_build_warehouse选择构建 Warehouse,并通过lake_vi_build_load_tail_delay_ms控制 Load Tail 的调度延迟。
M
- 默认值: 16
- 必需: 否
- 描述: HNSW特定参数。图构建过程中为每个新元素创建的双向连接数。必须是大于或等于
2的整数。M的值直接影响图构建和搜索的效率和准确性。在图构建过程中,每个顶点将尝试与其最近的M个顶点建立连接。如果一个顶点已经有M个连接,但发现了一个更近的顶点,最远的连接将被删除,并与更近的顶点建立新连接。向量搜索将从一个入口点开始,并沿着与其连接的顶点找到最近的邻居。因此,M的值越大,每个顶点的搜索范围越大,搜索效率越高,但图构建和存储的成本也越高。
efconstruction
- 默认值: 40
- 必需: 否
- 描述: HNSW特定参数。包含最近邻居的候选列表的大小。必须是大于或等于
1的整数。用于控制图构建过程中的搜索深度。具体来说,efconstruction定义了图构建过程中每个顶点的搜索列表(也称为候选列表)的大小。这个候选列表用于存储当前顶点的邻居候选者,列表的大小为efconstruction。efconstruction的值越大,在图构建过程中被视为顶点邻居的候选者越多,因此图的质量(如更好的连通性)越好,但图构建的时间消耗和计算复杂度也越高。
efsearch
- 默认值: 40
- 必需: 否
- 描述: HNSW 专有参数。控制精度-速度权衡的参数。在分层图结构搜索中,此参数控制搜索期间候选列表的大小。
efsearch的值越大,准确性越高,但速度越慢。该参数可在创建索引时指定。如果查询中的ann_params不包含此参数,系统将根据该值执行自适应缩放。在查询中显式指定该值具有优先级,并将绕过自适应缩放。
quantizer
- 默认值:
flat(不量化) - 必需: 否
- 描述: HNSW 特定参数。在内层 HNSW 存储前加一个标量或乘积量化器,用更小的索引体积换取一定的召回率下降。可选值:
flat— 不量化(默认)。等价于不设此属性;与未引入 quantizer 之前构建的索引保持向后兼容。sq4— 4-bit 标量量化。体积最小,召回率下降比sq8大。sq8— 8-bit 标量量化。体积压缩的推荐起点;在较高ef_search下召回率下降通常很小。pq— 乘积量化。必须配合m_pq;每条向量字节数为m_pq * nbits_pq比特。
m_pq
- 必需: 当
quantizer = pq时必需;其他场景下不允许设置。 - 描述: HNSW 特定参数(仅 PQ 量化器)。乘积量化子量化器数量。原始向量被切成
m_pq份等长的子向量,因此m_pq必须能整除dim。m_pq越大,召回率越高,但每条向量字节数也越多。根据dim大小,典型取值在 4–32 之间。
nbits_pq
- 默认值: 8
- 必需: 否(仅在
quantizer = pq时允许;其他场景下不允许设置)。 - 描述: HNSW 特定参数(仅 PQ 量化器)。每个 PQ 子量化器的位数。必须在 4–16 之间。
nbits
- 默认值: 8
- 必需: 否
- 描述: IVFPQ 特定参数。乘积量化(PQ)使用的位数,当前仅支持
8。
nlist
- 默认值: 16
- 必需: 否
- 描述: IVFPQ特定参数。簇的数量或倒排列表。必须是大于或等于
1的整数。在IVFPQ中,数据集被划分为簇,每个簇的质心对应一个倒排列表。向量搜索将首先找到与数据点最近的簇质心,然后在相应的倒排列表中检索最近邻居。因此,nlist的值将影响搜索的准确性和效率。nlist的值越大,聚类的粒度越细,因此搜索的准确性越高,但搜索的复杂性也越高。
M_IVFPQ
- 默认值: N/A
- 必需: 是
- 描述: IVFPQ 特定参数。原始向量将被分割成的子向量数量。IVFPQ 索引将一个
dim维向量分割成M_IVFPQ个等长的子向量,因此M_IVFPQ必须能整除dim。SQL 属性名是M_IVFPQ;M是另一个仅适用于 HNSW 的属性。
附加向量索引
您还可以使用CREATE INDEX或ALTER TABLE ADD INDEX将向量索引添加到现有表中。
对于存算分离集群中的云原生表,ALTER TABLE ADD INDEX 语句会重写现有数据,并在其上构建索引。即使将 index_build_mode 设置为 async,系统也会在模式更改完成之前先完成索引构建。
示例:
CREATE INDEX ivfpq_vector
ON ivfpq (vector)
USING VECTOR (
"index_type" = "ivfpq",
"metric_type" = "l2_distance",
"is_vector_normed" = "false",
"dim"="5",
"nlist" = "256",
"nbits" = "8",
"M_IVFPQ" = "1"
);
ALTER TABLE ivfpq
ADD INDEX ivfpq_vector (vector)
USING VECTOR (
"index_type" = "ivfpq",
"metric_type" = "l2_distance",
"is_vector_normed" = "false",
"dim"="5",
"nlist" = "256",
"nbits" = "8",
"M_IVFPQ" = "1"
);
管理向量索引
查看向量索引
您可以使用SHOW CREATE TABLE语句查看向量索引的定义:
示例:
mysql> SHOW CREATE TABLE hnsw \G
*************************** 1. row ***************************
Table: hnsw
Create Table: CREATE TABLE hnsw (
id bigint(20) NOT NULL COMMENT "",
vector array<float> NOT NULL COMMENT "",
INDEX index_vector (vector) USING VECTOR("dim" = "5", "efconstruction" = "40", "index_type" = "hnsw", "is_vector_normed" = "false", "M" = "512", "metric_type" = "l2_distance") COMMENT ''
) ENGINE=OLAP
DUPLICATE KEY(id)
DISTRIBUTED BY HASH(id) BUCKETS 1
PROPERTIES (
"compression" = "LZ4",
"fast_schema_evolution" = "true",
"replicated_storage" = "false",
"replication_num" = "3"
);
1 row in set (0.00 sec)
删除向量索引
您可以使用DROP INDEX或ALTER TABLE DROP INDEX删除向量索引。
DROP INDEX ivfpq_vector ON ivfpq;
ALTER TABLE ivfpq DROP INDEX ivfpq_vector;
使用向量索引执行ANNS
基于向量索引的查询要求
SELECT *, <vector_index_distance_func>(v1, [1,2,3]) as dis
FROM table_name
WHERE <vector_index_distance_func>(v1, [1,2,3]) <= 10
ORDER BY <vector_index_distance_func>(v1, [1,2,3])
LIMIT 10
要在查询中使用向量索引,必须满足以下所有要求:
- ORDER BY要求:
- ORDER BY子句格式:
ORDER BY子句必须遵循格式ORDER BY <vector_index_distance_func>(vector_column, constant_array),且不包括其他ORDER BY列。<vector_index_distance_func>的函数名要求:- 如果
metric_type是l2_distance,函数名必须是approx_l2_distance。 - 如果
metric_type是cosine_similarity,函数名必须是approx_cosine_similarity。 - 如果
metric_type是inner_product,函数名必须是approx_inner_product。
- 如果
<vector_index_distance_func>的参数要求:constant_array必须是一个与向量索引dim匹配的常量ARRAY<FLOAT>。vector_column必须是与向量索引对应的列。
- ORDER方向要求:
- 如果
metric_type是l2_distance,顺序必须是ASC。 - 如果
metric_type是cosine_similarity,顺序必须是DESC。 - 如果
metric_type是inner_product,顺序必须是DESC。
- 如果
- 必须有
LIMIT N子句。
- ORDER BY子句格式:
- 谓词要求:
- 所有谓词必须是
<vector_index_distance_func>表达式,通过AND和比较运算符(>或<)组合。比较运算符的方向必须与ASC/DESC顺序一致。具体来说: - 要求1:
- 如果
metric_type是l2_distance:col_ref <= constant。 - 如果
metric_type是cosine_similarity:col_ref >= constant。 - 如果
metric_type是inner_product:col_ref >= constant,其中常量可以为负数。 - 这里,
col_ref指的是<vector_index_distance_func>(vector_column, constant_array)的结果,可以转换为FLOAT或DOUBLE类型,例如:approx_l2_distance(v1, [1,2,3])CAST(approx_l2_distance(v1, [1,2,3]) AS FLOAT)CAST(approx_l2_distance(v1, [1,2,3]) AS DOUBLE)
- 如果
- 要求2:
- 谓词必须使用
AND,每个子谓词满足要求1。
- 谓词必须使用
- 所有谓词必须是
准备
创建带有向量索引的表并插入向量数据:
CREATE TABLE test_hnsw (
id BIGINT(20) NOT NULL COMMENT "",
vector ARRAY<FLOAT> NOT NULL COMMENT "",
INDEX index_vector (vector) USING VECTOR (
"index_type" = "hnsw",
"metric_type" = "l2_distance",
"is_vector_normed" = "false",
"M" = "512",
"dim" = "5",
"index_build_threshold" = "1")
) ENGINE=OLAP
DUPLICATE KEY(id)
DISTRIBUTED BY HASH(id) BUCKETS 1;
INSERT INTO test_hnsw VALUES
(1, [1,2,3,4,5]),
(2, [4,5,6,7,8]);
CREATE TABLE test_ivfpq (
id BIGINT(20) NOT NULL COMMENT "",
vector ARRAY<FLOAT> NOT NULL COMMENT "",
INDEX index_vector (vector) USING VECTOR (
"index_type" = "ivfpq",
"metric_type" = "l2_distance",
"is_vector_normed" = "false",
"nlist" = "1",
"nbits" = "8",
"dim" = "5",
"M_IVFPQ" = "1",
"index_build_threshold" = "1")
) ENGINE=OLAP
DUPLICATE KEY(id)
DISTRIBUTED BY HASH(id) BUCKETS 1;
INSERT INTO test_ivfpq VALUES
(1, [1,2,3,4,5]),
(2, [4,5,6,7,8]);
执行向量搜索
近似搜索
近似搜索将命中向量索引,从而加速搜索过程。
以下示例搜索向量[1,1,1,1,1]的前1个近似最近邻。
SELECT id, approx_l2_distance([1,1,1,1,1], vector)
FROM test_hnsw
ORDER BY approx_l2_distance([1,1,1,1,1], vector)
LIMIT 1;
标量-向量联合搜索
您可以将标量搜索与向量搜索结合。
SELECT id, approx_l2_distance([1,1,1,1,1], vector)
FROM test_hnsw
WHERE id = 1
ORDER BY approx_l2_distance([1,1,1,1,1], vector)
LIMIT 1;
范围搜索
您可以对向量数据执行范围搜索。
以下示例将score < 40条件下推到索引中,并通过score范围过滤向量。
SELECT * FROM (
SELECT id, approx_l2_distance([1,1,1,1,1], vector) score
FROM test_hnsw
) a
WHERE score < 40
ORDER BY score
LIMIT 1;
精确计算
精确计算将忽略向量索引,直接计算向量之间的距离以获得精确结果。
SELECT id, l2_distance([1,1,1,1,1], vector)
FROM test_hnsw WHERE id = 1
ORDER BY l2_distance([1,1,1,1,1], vector)
LIMIT 1;
注意
不同的距离度量函数对“相似性”的定义不同。对于
l2_distance,值越小表示相似性越高;对于cosine_similarity,值越大表示相似性越高。因此,在计算topN时,排序(ORDER BY)方向应与度量的相似性方向一致。对于l2_distance使用ORDER BY ASC LIMIT x,对于cosine_similarity使用ORDER BY DESC LIMIT x。
为搜索微调索引参数
参数调优在向量搜索中至关重要,因为它影响性能和准确性。建议在小数据集上调优搜索参数,并在达到预期的召回率和延迟后再转向大数据集。
搜索参数可以通过 ann_params 会话变量或 SQL 语句中的 Hint 传递。
对于HNSW索引
在继续之前,请确保向量列已使用HNSW索引构建。
SELECT
/*+ SET_VAR (ann_params='{"efsearch":"256"}') */
id, approx_l2_distance([1,1,1,1,1], vector)
FROM test_hnsw
WHERE id = 1
ORDER BY approx_l2_distance([1,1,1,1,1], vector)
LIMIT 1;
参数:
efsearch
- 默认值: 40
- 必需: 否
- 描述: 控制精度-速度权衡的参数。在分层图结构搜索中,此参数控制搜索期间候选列表的大小。
efsearch的值越大,准确性越高,但速度越慢。
对于IVFPQ索引
在继续之前,请确保向量列已使用IVFPQ索引构建。
SELECT
/*+ SET_VAR (ann_params='{"nprobe":"256","max_codes":"0","scan_table_threshold":"0","polysemous_ht":"0","range_search_confidence":"0.1"}') */
id, approx_l2_distance([1,1,1,1,1], vector)
FROM test_ivfpq
ORDER BY approx_l2_distance([1,1,1,1,1], vector)
LIMIT 1;
参数:
nprobe
- 默认值: 1
- 必需: 否
- 描述: 搜索期间检查的倒排列表数量。
nprobe的值越大,准确性越高,但速度越慢。
max_codes
- 默认值: 0
- 必需: 否
- 描述: 每个倒排列表检查的最大代码数。此参数也会影响准确性和速度。
scan_table_threshold
- 默认值: 0
- 必需: 否
- 描述: 控制多义哈希的参数。当元素的哈希与要搜索的向量的哈希之间的汉明距离低于此阈值时,该元素将被添加到候选列表中。
polysemous_ht
- 默认值: 0
- 必需: 否
- 描述: 控制多义哈希的参数。当元素的哈希与要搜索的向量的哈希之间的汉明距离低于此阈值时,该元素将直接添加到结果中。
range_search_confidence
- 默认值: 0.1
- 必需: 否
- 描述: 近似范围搜索的置信度。值范围:[0, 1]。将其设置为
1可产生最准确的结果。
调整候选数量和结果精排
以下会话变量控制索引返回的候选数量,以及 StarRocks 是否重新计算候选项的精确距离:
k_factor,默认值为1:将LIMIT乘以该值,得到每个 Segment 请求的候选数量。增大该值可以提高多个 Segment 合并结果后的召回率,但会增加 CPU、内存和下游处理开销。enable_vector_index_refine,默认值为false:对于 IVFPQ 以及使用sq4、sq8或pq量化器的 HNSW 索引,基于原始向量重新计算精确距离并对候选项重排。该变量对未量化的 HNSW 索引(quantizer = flat)无效。pq_refine_factor,默认值为1:在启用精确距离精排的范围查询中,在k_factor的基础上进一步放大候选数量。
例如:
SET enable_vector_index_refine = true;
SET k_factor = 2;
SET pq_refine_factor = 2;
候选倍率越大,通常召回率越高,但索引检索、I/O 和距离计算开销也越大。可以通过 EXPLAIN 中的 Refine: ON/OFF 确认是否启用了精确距离精排。
计算近似召回率
您可以通过将暴力检索的topK元素与近似检索的元素相交来计算近似召回率:Recall = TP / (TP + FN)。
-- 近似检索
SELECT id
FROM test_hnsw
ORDER BY approx_l2_distance([1,1,1,1,1], vector)
LIMIT 5;
8
9
7
5
1
-- 暴力检索
SELECT id
FROM test_hnsw
ORDER BY l2_distance([1,1,1,1,1], vector)
LIMIT 5;
8
9
5
7
10
在上述示例中,近似检索返回8, 9, 7, 和5。然而,正确的结果是8, 9, 5, 7, 和10。在这种情况下,召回率为4/5=80%。
检查向量索引是否生效
对查询语句执行EXPLAIN。如果OlapScanNode属性显示VECTORINDEX: ON,则表示向量索引已应用于近似向量搜索。
示例:
> EXPLAIN SELECT id FROM t_test_vector_table ORDER BY approx_l2_distance([1,1,1,1,1], vector) LIMIT 5;
+-----------------------------------------------------------------------------------------------------------------------------------------------------+
| Explain String |
+-----------------------------------------------------------------------------------------------------------------------------------------------------+
| PLAN FRAGMENT 0 |
| OUTPUT EXPRS:1: id |
| PARTITION: UNPARTITIONED |
| |
| RESULT SINK |
| |
| 4:Project |
| | <slot 1> : 1: id |
| | limit: 5 |
| | |
| 3:MERGING-EXCHANGE |
| limit: 5 |
| |
| PLAN FRAGMENT 1 |
| OUTPUT EXPRS: |
| PARTITION: RANDOM |
| |
| STREAM DATA SINK |
| EXCHANGE ID: 03 |
| UNPARTITIONED |
| |
| 2:TOP-N |
| | order by: <slot 3> 3: approx_l2_distance ASC |
| | offset: 0 |
| | limit: 5 |
| | |
| 1:Project |
| | <slot 1> : 1: id |
| | <slot 3> : 4: __vector_approx_l2_distance |
| | |
| 0:OlapScanNode |
| TABLE: t_test_vector_table |
| VECTORINDEX: ON |
| IVFPQ: OFF, Distance Column: <4:__vector_approx_l2_distance>, LimitK: 5, Order: ASC, Query Vector: [1, 1, 1, 1, 1], Predicate Range: -1.0 |
| PREAGGREGATION: ON |
| partitions=1/1 |
| rollup: t_test_vector_table |
| tabletRatio=1/1 |
| tabletList=11302 |
| cardinality=2 |
| avgRowSize=4.0 |
+-----------------------------------------------------------------------------------------------------------------------------------------------------+
本文来自 StarRocks 文档贡献者,按 Apache 2.0 整理版式与相对链接,保留正文与代码。图示请参阅原文。作者与贡献记录。
