Home
Login
redis/redisPlease refer to the latest official releases for information GitHub Homepage

Base de données en mémoire haute performance, serveur de structures de données en temps réel prenant en charge la recherche vectorielle et les applications d'IA

NOASSERTIONC 69.7kredis Last Updated: 2025-06-20

Présentation détaillée du projet Redis

Aperçu du projet

Redis (Remote Dictionary Server) est un système de stockage de données en mémoire open source et performant, qui peut être utilisé comme base de données, cache, agent de messagerie et moteur de traitement de flux. Redis offre une riche variété de structures de données, notamment des chaînes de caractères, des hachages, des listes, des ensembles, des ensembles ordonnés, etc., et prend en charge les opérations atomiques.

Adresse GitHub: https://github.com/redis/redis

Caractéristiques principales

1. Architecture haute performance

  • Priorité à la mémoire: Redis stocke principalement les données en mémoire, en utilisant des structures de données efficaces.
  • Latence ultra-faible: Les opérations de lecture et d'écriture sont généralement effectuées en moins d'une milliseconde.
  • Haute concurrence: L'architecture monothread évite les conflits de verrouillage, offrant des performances de concurrence extrêmement élevées.

2. Riches structures de données

  • Types de données de base: Chaînes de caractères, hachages, listes, ensembles, ensembles ordonnés.
  • Types de données avancés: Bitmap, HyperLogLog, index géospatiaux, flux.
  • Prise en charge de JSON: Prise en charge native du stockage et de la requête de documents JSON.

3. Mécanismes de persistance

  • Instantanés RDB: Sauvegarde régulière des données en mémoire sur le disque.
  • Journaux AOF: Enregistrement de chaque opération d'écriture pour assurer la sécurité des données.
  • Persistance hybride: Combinaison des avantages de RDB et AOF.

Fonctionnalités d'IA et de recherche vectorielle

Module RediSearch

Redis offre de puissantes fonctionnalités de recherche et d'indexation grâce au module RediSearch :

Capacités de recherche vectorielle

  • Recherche de similarité vectorielle: Prend en charge la recherche sémantique basée sur des vecteurs.
  • Algorithme HNSW: Utilise l'algorithme Hierarchical Navigable Small World.
  • Requêtes KNN: Prend en charge la recherche des K plus proches voisins.
  • Requêtes de portée: Recherche de vecteurs similaires dans un rayon spécifié.

Fonctionnalités de recherche

# demo
FT.SEARCH documents "(@title:Sports @year:[2020 2022])=>[KNN 10 @doc_embedding $BLOB]" PARAMS 2 BLOB "\x12\xa9\xf5\x6c" DIALECT 2
  • Recherche en texte intégral: Prend en charge l'indexation en texte intégral de plusieurs champs.
  • Requêtes d'agrégation: Fournit de puissantes fonctionnalités d'agrégation de données.
  • Correspondance floue: Prend en charge la correction orthographique et l'extraction de racines.
  • Mise en évidence: Fonction de mise en évidence des résultats de recherche.

Module RedisAI

Redis propose également un module dédié à l'inférence d'IA :

Prise en charge de l'apprentissage profond

  • Prise en charge de plusieurs frameworks: Prend en charge TensorFlow, PyTorch, ONNXRuntime.
  • Service de modèles: Peut charger et exécuter directement des modèles d'apprentissage automatique dans Redis.
  • Opérations sur les tenseurs: Prend en charge le stockage et le calcul des tenseurs.
  • Accélération GPU: Prend en charge l'accélération du calcul GPU.

Flux de travail d'IA

AI.MODELSTORE mymodel TF CPU BLOB {model_blob}
AI.TENSORSET mytensor FLOAT 2 2 VALUES 1.0 2.0 3.0 4.0
AI.MODELEXECUTE mymodel INPUTS 1 mytensor OUTPUTS 1 result

Avantages en tant que base de données vectorielle

1. Capacités multimodales

  • Architecture unifiée: Traitement de la recherche vectorielle, de la mise en cache en temps réel, du stockage des caractéristiques et de la publication/abonnement dans un seul système.
  • Réduction de la complexité: Pas besoin d'intégrer plusieurs outils et systèmes.
  • Rentabilité: Réduction des coûts d'infrastructure et de maintenance.

2. Performances en temps réel

  • Réponse en moins d'une milliseconde: Latence de requête extrêmement faible.
  • Débit élevé: Prend en charge les requêtes simultanées à grande échelle.
  • Mises à jour en temps réel: Prend en charge les mises à jour d'index vectoriels en temps réel.

3. Requêtes flexibles

  • Requêtes hybrides: Combinaison de la recherche traditionnelle et de la recherche vectorielle.
  • Fonctionnalités de filtrage: Prend en charge des conditions de filtrage complexes.
  • Plusieurs algorithmes de similarité: Prend en charge la similarité cosinus, la distance euclidienne, etc.

Cas d'utilisation de l'IA

1. Systèmes de recommandation

  • Recommandation en temps réel: Recommandation personnalisée en temps réel basée sur le comportement de l'utilisateur.
  • Stockage des caractéristiques: Stockage efficace des caractéristiques des utilisateurs et des éléments.
  • Tests A/B: Prend en charge l'expérimentation rapide des stratégies de recommandation.

2. Génération augmentée par la récupération (RAG)

  • Récupération de documents: Fournit une récupération de documents pertinents pour les grands modèles de langage.
  • Recherche sémantique: Recherche basée sur la sémantique plutôt que sur les mots-clés.
  • Cache de contexte: Met en cache le contexte et les résultats des LLM.

3. Recherche d'images et d'audio

  • Recherche multimédia: Prend en charge la recherche de similarité d'images, d'audio et de vidéo.
  • Reconnaissance de contenu: Reconnaissance de contenu basée sur des vecteurs de caractéristiques.
  • Systèmes de classification: Classification et étiquetage de contenu en temps réel.

4. Service de caractéristiques ML en temps réel

  • Stockage des caractéristiques: Stockage et récupération de valeurs de caractéristiques à haute performance.
  • Inférence en ligne: Service d'inférence de modèle en temps réel.
  • Gestion des versions de modèles: Prend en charge la gestion de modèles multi-versions.

Architecture technique

1. Architecture de base

  • Modèle monothread: Évite les conflits de verrouillage, offrant des performances élevées.
  • Piloté par les événements: I/O efficace basé sur epoll/kqueue.
  • Conception modulaire: Extension des fonctionnalités via des modules.

2. Prise en charge du cluster

  • Redis Cluster: Prise en charge native du cluster distribué.
  • Partitionnement automatique: Distribution automatique des données sur plusieurs nœuds.
  • Basculement: Détection et récupération automatiques des pannes.

3. Surveillance et exploitation

  • Surveillance en temps réel: Riches indicateurs de performance et données de surveillance.
  • Système de journalisation: Journaux d'opérations détaillés.
  • Gestion de la configuration: Ajustement dynamique de la configuration.

Développement et intégration

1. Prise en charge des clients

Redis prend en charge les clients dans presque tous les principaux langages de programmation :

  • Python: redis-py
  • Java: Jedis, Lettuce
  • Node.js: ioredis
  • Go: go-redis
  • C#: StackExchange.Redis

2. Intégration avec les frameworks d'IA

  • Intégration OpenAI: OpenAI Cookbook fournit des exemples officiels.
  • Flux de travail d'apprentissage automatique: Intégration avec la chaîne d'outils MLOps.
  • Pipelines de données: Intégration avec les frameworks de traitement de flux.

3. Prise en charge des services cloud

  • Redis Enterprise: Service géré de niveau entreprise.
  • Intégration de la plateforme cloud: Prend en charge les plateformes cloud AWS, Azure, GCP, etc.
  • Kubernetes: Prise en charge native du déploiement conteneurisé.

Optimisation des performances

1. Optimisation de la mémoire

  • Compression des données: Algorithmes de compression de données intelligents.
  • Analyse de l'utilisation de la mémoire: Rapports détaillés sur l'utilisation de la mémoire.
  • Stratégies d'expiration: Stratégies flexibles d'expiration et de nettoyage des données.

2. Optimisation du réseau

  • Pool de connexions: Gestion efficace des connexions.
  • Technique de pipeline: Optimisation des opérations par lots.
  • Transmission compressée: Compression des données réseau.

3. Optimisation des requêtes

  • Optimisation de l'index: Stratégies d'index intelligentes.
  • Plan de requête: Plan d'exécution de requête optimisé.
  • Stratégies de cache: Mécanismes de cache multicouches.

Communauté et écosystème

1. Communauté active

  • GitHub: Projet actif.
  • Documentation: Documentation et tutoriels officiels complets.
  • Support communautaire: Communauté de développeurs active.

2. Écosystème

  • Redis Labs: Support commercial officiel.
  • Outils tiers: Riches outils de surveillance et de gestion.
  • Solutions d'intégration: Solutions d'intégration avec diverses piles technologiques.

3. Ressources d'apprentissage

  • Documentation officielle: Documentation détaillée de l'API et des fonctionnalités.
  • Tutoriels et exemples: Riches supports d'apprentissage.
  • Meilleures pratiques: Meilleures pratiques partagées par la communauté.

Conclusion

Redis, en tant que base de données en mémoire mature, a démontré de puissantes capacités dans le domaine de l'IA et de l'apprentissage automatique. Grâce à des modules tels que RediSearch et RedisAI, Redis offre non seulement des fonctionnalités de recherche vectorielle haute performance, mais prend également en charge l'inférence directe de modèles d'IA. Ses capacités multimodales, ses performances en temps réel et ses riches fonctionnalités en font un choix idéal pour la construction d'applications d'IA modernes.