Elasticsearch与Milvus：亿级向量检索性能对比与优化

1. 向量检索的亿级挑战：当传统方案遇到天花板

在信息爆炸的时代，非结构化数据已占据数据总量的80%以上。图片、视频、语音、文本等数据通过嵌入模型（Embedding）转化为高维向量后，如何在海量向量中快速找到相似项成为关键难题。传统关系型数据库的LIKE操作和精确匹配完全失效，我们需要专门的向量检索技术来处理这类需求。

Elasticsearch作为全文检索的标杆产品，从7.0版本开始引入向量检索功能，通过dense_vector字段类型支持向量存储和相似度计算。其核心原理是将向量作为文档字段存储，查询时进行暴力计算（Brute-force）或使用HNSW（Hierarchical Navigable Small World）图算法加速。但实测表明，当向量规模突破千万级时，ES的检索延迟会呈指数级上升，内存占用也变得难以控制。

Milvus作为专为向量检索设计的开源数据库，采用列式存储和计算分离架构。其最新版本支持多种索引类型（IVF_FLAT、IVF_PQ、HNSW等），通过量化、分区和GPU加速等技术，在亿级数据集上仍能保持毫秒级响应。某电商平台的实际案例显示：将1.2亿商品向量从ES迁移到Milvus后，Top100相似检索的P99延迟从870ms降至23ms，服务器成本降低60%。

关键差异提示：ES的向量功能是作为插件式能力存在，而Milvus是专为向量优化的原生架构。这就像用瑞士军刀砍树与用电锯的区别——前者能完成任务，但后者才是专业工具。

2. 性能鸿沟：实测数据揭示的真相

2.1 基准测试环境配置

我们在AWS c5.4xlarge机型（16vCPU 32GB内存）上搭建对比环境：

• 数据集：1亿条768维向量（SimCLR生成的图像特征）
• 软件版本：
  • Elasticsearch 8.9.0（默认HNSW参数）
  • Milvus 2.3.0（IVF_PQ索引，nlist=1024）

2.2 关键指标对比