在亿级向量规模下，传统内存索引如 HNSW 面临内存爆炸问题，而 Milvus 的 DiskANN 索引通过磁盘驻留 Vamana 图结构，仅需原始数据 1/4 内存，即可实现高召回 ANN 搜索，QPS 达数千，延迟控制在 10ms 级。这得益于其 PQ 码表内存缓存 + 磁盘邻接表设计，适用于资源受限的云原生生产环境。
DiskANN 核心是基于 Vamana 图的近似最近邻算法：构建时采样生成 PQ Pivots，对原始 float 向量（推荐 dim 16-1024）进行压缩，内存中建图后持久化磁盘（占用原始数据 1.5-2 倍）。搜索阶段，从 entry point BFS 扩展 search_list（默认 100），beamwidth 控制并发 I/O，每步 PQ 近似距离排序，取 topK。Milvus 集成时，IndexNode 从 MinIO 拉取 segment 数据（默认 2GB）本地建索引，QueryNode 加载 PQ + cache（1/8 数据）执行查询。
关键参数落地：索引构建无需额外 params，直接指定 index_type="DISKANN"，metric 支持 L2/IP/COSINE。配置文件 milvus.yaml 下 diskIndex 节点调优：
maxDegree: 56（节点出度，[1,512]，增大召回但索引大）searchListSize: 100（候选集，增大精度但慢）pqCodeBudgetGBRatio: 0.125（PQ 内存占比，(0,0.25]）searchCacheBudgetGBRatio: 0.125（缓存占比，[0,0.3)）beamWidthRatio: 4.0（I/O 并行，[1,128/CPU 核心]）
前提：NVMe SSD 挂载 /var/lib/milvus/data，Ubuntu 18+，queryNode.enableDisk: true。Build 需 segment 原始数据 1.7x 内存，避免分块合并损失性能。
Hybrid 多向量过滤是 DiskANN 生产杀手锏：结合 ANN + 标量 filter（如 status=="active" and price < 100），expr 语法支持 JSON / 数组。Multi-vector 示例：Collection 定义多 float_vector 字段（如 text_emb、img_emb，dim=768），搜索时 multi_vector_search([text_q, img_q], ["text_emb", "img_emb"], weights=[0.7,0.3])，自动融合分数。过滤加速：用 partition_key（如时间 / 用户）隔离，load([partition])，仅载相关 segment，内存节省 50% 以上。动态分片：Kubernetes 部署，DataCoord 按负载 auto-shard，scale QueryNode 至 10+ pod，低延迟 serving（P99<50ms）。
低延迟工程参数清单：
- Segment 调大：
dataCoord.segment.diskSegmentMaxSize: 4GB，图算法随规模 latency 稳定。 - 搜索 params：
search_list=16+topk，nprobe=10（若 IVF 预备），batch_size=100。 - Warmup/Cache：QueryNode 启动 preload，Prometheus 监控
query_latency_p99、io_wait_time。 - GPU 加速：若需，配 GPU_CAGRA 备选，但 DiskANN CPU 优化已足（SIMD/AVX512）。
- 一致性：
consistency_level="Bounded"，平衡强一致与性能。 - 回滚策略：索引失败 fallback FLAT，监控
index_build_fail_rate >0.1告警。
监控要点：
- Metrics：
milvus_query_throughput、disk_io_utilization（<80%）、cache_hit_rate >90%。 - Tools：Prometheus + Grafana dashboard，Kubernetes HPA 基于 CPU 80%/QPS auto-scale。
- 风险：高维 (>1024) I/O 增，filter 复杂降速 → 预分区 + 索引 scalar 字段。
实际部署：Helm chart milvus-operator，资源 req: CPU 4c/16GiB per QueryNode（10 亿向量）。测试：pymilvus insert 1e9 vectors，hybrid query QPS 2k，recall@10=0.95。相比 HNSW，内存降 75%，成本优化显著。
资料来源：Milvus 官方文档（milvus.io/docs/disk_index.md），DiskANN 在 Milvus 中的集成详解，以及 GitHub 仓库（github.com/milvus-io/milvus）。[1]