一句话定义
DiskANN 把 HNSW 式图索引搬到"内存 + SSD"混合存储上：内存只放 PQ 压缩向量与图邻接表用于导航，SSD 存原始向量供精排——用微软提出的 Vamana 图，在单节点上实现十亿级向量的毫秒级检索。
为什么重要
十亿条 768 维 float32 约 3 TB，纯内存方案（HNSW + 向量）成本动辄数十万美元级。DiskANN（NeurIPS 2019）证明"成本降一个量级、延迟仍在毫秒档"是可能的，其思想（内存放图、SSD 放数据、压缩导航）已成为 Milvus DiskANN 索引、SPANN 等一系列磁盘方案的原型。对成本敏感的大规模场景，这是绕不开的一条路线。
前置知识
kp-008（HNSW——图导航的基本原理，Vamana 是它的近亲）、kp-012（PQ 压缩表示）。
核心概念
- Vamana 图：单层近邻图（无分层），带可调参数 α 控制"长边保留度"。
- 两轮构建：先用普通近邻贪心建图，再以放宽的距离阈值（α>1）重跑一遍，把绕路场景需要的长边加回来。
- 内存侧：全量 PQ 压缩向量（导航用）+ 邻接表；SSD 侧：原始向量（精排与验证用），按节点分块连续存放以利顺序读。
- R / L / α：R=图最大度数（类似 M）、L=搜索候选队列（类似 ef）、α=长边系数（典型 1.2 附近）。
- beam width（W）：每轮从 SSD 取回的节点数，权衡 IO 次数与单次传输量。
原理与机制
查询流程（内存图 + SSD 精排的分工）：
1. 在内存的 PQ 压缩向量上做图贪心(与 HNSW 同型), 扩展 L 个候选
2. 每轮把候选节点的 SSD 块按 beam 取回 → 校验/精排
3. 收敛后返回 top-k (可选再回内存外全量精排)与 HNSW 的结构差异：HNSW 靠"分层"提供长程跳跃、图全在内存；Vamana 是单层图，用 α 参数在建图时显式保留长边，达到类似导航效率，同时图可以放得下"内存只存邻接表"的紧凑形态。
参数影响分析：
| 参数 | ↑ 收益 | ↑ 代价 | 备注 |
|---|---|---|---|
| R（度数） | 召回升 | 内存与 IO 升 | 类似 M，常 32~64 |
| L（队列） | 召回升 | 导航计算与 IO 次数升 | 类似 ef，在线可调 |
| α | 图更"直"、延迟降 | 建库时间升 | 1.0→1.2 两轮构建 |
| W | 单轮吞吐升 | 单次延迟升 | 对云盘尤其敏感 |
关键工程前提：SSD 随机读性能决定下限。论文与后续工作（Fresh-DANN、SPANN、Starling）的进展一大半是"如何在廉价云盘上减少随机读次数"。本地 NVMe 与网络云盘（EBS 类）差距可达数倍到数十倍——选型时先问磁盘规格。
公式或模型
本节不适用：架构篇，内存账对比见 kp-026（DiskANN 路线内存 ≈ PQ 向量 + 图 ≈ 原始方案的 1/10 量级）。
图示
内存: [PQ压缩向量 × N] + [邻接表(节点→邻居id)] ← 导航在这里
│ 贪心扩展(压缩距离)
▼
SSD : [块1: 原始向量×节点] [块2] … [块k] ← beam 取回精排
查询: 内存图走 L 步 → 每轮 W 个候选的 SSD 块 → 校验排序 → top-k实例或案例
Milvus 的 DiskANN 索引类型即此思路的产品化：某用户 5 亿条 768 维向量，HNSW + fp32 需内存约 1.6 TB（多副本后翻倍）；改 DiskANN 后内存约 150 GB + NVMe 2 TB，p99 从 3 毫秒升至约 10 毫秒但仍在业务预算内，月成本下降超过一半。结论形态："延迟预算宽松、规模巨大"时 DiskANN 是成本最优解。
直观类比
HNSW 是"整个图书馆搬进自家书房"；DiskANN 是"书房只放目录卡片和地图（压缩表示+图），书架在仓库（SSD）"——按地图走到候选书架，再跑一趟仓库取原书核对。核对次数（IO）就是延迟。
常见误区
- "DiskANN 延迟和 HNSW 一样"——它用 IO 换内存，p99 通常高一个量级（毫秒→十毫秒档）且受磁盘抖动影响明显；低延迟刚需场景要重测。
- "随便挂块云盘就行"——网络云盘随机 IOPS 低，会把 p99 拖到不可用；本地 NVMe 或高 IOPS 盘是前提条件。
- "DiskANN 支持高频更新"——原始方案为静态或低频更新设计（Fresh-DANN 等变体处理动态），高频 upsert 场景需评估段重建策略，见 kp-022。
自测题
- Vamana 用什么机制弥补"没有分层"带来的长程导航损失？
- 内存里为什么放 PQ 压缩向量而不是原始向量？
- 上 DiskANN 前必须确认的三件事？
答：α 参数的两轮建图：第二轮放宽距离阈值保留长边，让贪心路径可以跨区域跳跃，接近分层的导航效率。
答：导航只需"相对远近"不需精确距离，PQ 表示足以支持贪心排序且体积小一个量级；精确距离只在 SSD 取回原始向量后计算。
答：磁盘随机读规格（IOPS/带宽）、延迟预算放宽到十毫秒档、写入模式是否低频（或接受段式重建）。
与其他知识点的关系
kp-008 的 HNSW 是它内存版的对照；kp-012 的 PQ 是它的导航燃料；kp-026 的成本账展示它省多少钱；kp-033 的 SPANN 是同一"磁盘路线"的分区倒排变体。
延伸阅读
Jayaram Subramanya et al., "DiskANN: Fast Accurate Billion-point Nearest Neighbor Search on a Single Node"（NeurIPS 2019）——Vamana 图与内存/SSD 分工的原始论文。