MILVUS Docker 容器化部署指南

原创 于 2025-12-06 10:47:26 发布 · 232 阅读 · 18 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#milvus #docker #容器 #运维 #人工智能 #prometheus

概述

MILVUS（中文名称：向量数据库）是一款开源的高性能向量数据库，专为复杂的相似度搜索和分析应用设计。它能够高效存储、索引和查询数十亿级别的高维向量数据，广泛应用于推荐系统、欺诈检测、图像检索、自然语言处理等人工智能领域。作为连接机器学习模型与实际应用的关键组件，MILVUS通过优化的索引结构和查询算法，提供了毫秒级的向量相似度搜索能力，支持多种距离度量方式（如欧氏距离、余弦相似度、汉明距离等），并兼容主流的机器学习框架。

本文将详细介绍如何通过Docker容器化方式部署MILVUS，从基础环境准备到生产环境配置，涵盖镜像拉取、容器部署、功能测试、故障排查等全流程，为开发和运维人员提供可落地的实践指南。

环境准备

Docker环境安装

MILVUS容器化部署依赖Docker引擎，以下是在Linux系统中一键安装Docker的步骤：

bash <(wget -qO- https://xuanyuan.cloud/docker.sh)

说明：上述脚本适用于Ubuntu、Debian、CentOS等主流Linux发行版，会自动安装Docker Engine、Docker CLI、Containerd等组件，并配置开机自启动。安装过程需要root权限，建议在全新环境中执行。

安装完成后，可通过以下命令验证Docker是否正常运行：

docker --version  # 检查Docker版本
systemctl status docker  # 检查Docker服务状态

镜像准备

镜像信息说明

MILVUS官方Docker镜像信息如下：

  • 镜像名称：milvusdb/milvus
  • 推荐标签：master-20251203-5d0c8b1b-gpu-amd64（包含GPU支持的开发版本，适合测试环境；生产环境建议选择稳定版本，可通过MILVUS镜像标签列表查看所有可用版本）
  • 镜像架构：amd64（x86_64架构），支持GPU加速（需宿主机具备NVIDIA显卡及驱动）

镜像拉取命令

# 拉取推荐标签的MILVUS镜像
docker pull xxx.xuanyuan.run/milvusdb/milvus:master-20251203-5d0c8b1b-gpu-amd64

说明：

  • 若需要其他版本，将上述命令中的master-20251203-5d0c8b1b-gpu-amd64替换为目标标签，标签列表可参考MILVUS镜像标签列表
  • 若需拉取CPU版本，可在标签列表中选择不含gpu的标签，如master-20251203-5d0c8b1b-amd64
  • 拉取过程中若出现网络问题，可检查轩辕加速配置是否生效（通过cat /etc/docker/daemon.json查看是否包含"registry-mirrors": ["https://xxx.xuanyuan.run"]）

镜像验证

拉取完成后，通过以下命令验证镜像是否成功下载：

# 查看本地镜像列表
docker images | grep milvusdb/milvus

# 预期输出示例：
# xxx.xuanyuan.run/milvusdb/milvus   master-20251203-5d0c8b1b-gpu-amd64   5d0c8b1b   2 weeks ago   2.8GB

若输出包含上述信息，说明镜像拉取成功，可进行后续容器部署操作。

容器部署

基础部署（单机测试环境）

对于开发测试场景，可采用简单的单机部署方式，快速启动MILVUS服务：

# 创建基础部署目录（用于存放临时配置和日志）
mkdir -p ~/milvus/test/{config,logs}

# 启动MILVUS容器（测试模式）
docker run -d \
  --name milvus-test \
  --restart=unless-stopped \
  -p 19530:19530 \  # MILVUS服务端口（用于客户端连接）
  -p 9091:9091 \    # MILVUS管理端口（用于健康检查和监控）
  -v ~/milvus/test/config:/var/lib/milvus/config \
  -v ~/milvus/test/logs:/var/lib/milvus/logs \
  xxx.xuanyuan.run/milvusdb/milvus:master-20251203-5d0c8b1b-gpu-amd64

参数说明：

  • --name milvus-test：指定容器名称，便于后续管理
  • --restart=unless-stopped：容器退出时除非手动停止，否则自动重启
  • -p 19530:19530：端口映射，将容器内的19530端口映射到宿主机的19530端口，该端口为MILVUS的gRPC服务端口，供客户端连接
  • -p 9091:9091：将容器内的9091端口映射到宿主机的9091端口，用于健康检查和Prometheus监控指标暴露
  • -v ~/milvus/test/config:/var/lib/milvus/config：挂载配置目录（测试环境可忽略，使用默认配置）
  • -v ~/milvus/test/logs:/var/lib/milvus/logs：挂载日志目录，便于查看容器内的运行日志

生产级部署（持久化存储+资源限制）

对于生产环境，需考虑数据持久化、资源限制、安全性等因素，推荐以下部署方式：

1. 准备部署环境
# 创建生产环境目录结构
mkdir -p /data/milvus/{data,logs,config,cache}
chmod -R 777 /data/milvus  # 临时授权，生产环境建议使用更严格的权限控制

# 创建自定义Docker网络（隔离容器网络环境）
docker network create milvus-network
2. 配置MILVUS参数（可选）

MILVUS默认配置文件位于容器内的/var/lib/milvus/config/milvus.yaml，可通过挂载自定义配置文件覆盖默认参数：

# 从容器中复制默认配置文件到宿主机（首次部署时）
docker cp milvus-test:/var/lib/milvus/config/milvus.yaml /data/milvus/config/

# 编辑配置文件（根据业务需求调整参数）
vi /data/milvus/config/milvus.yaml

关键配置参数说明（详细参数参考MILVUS镜像文档（轩辕））：

  • cluster.role：节点角色，单机模式设为standalone
  • storage.path：数据存储路径，默认/var/lib/milvus/data
  • cache.size：内存缓存大小，建议设为物理内存的50%-70%
  • gpu.enable：是否启用GPU加速，设为true时需确保宿主机已安装NVIDIA Docker运行时
3. 启动生产环境容器
# 停止并删除测试容器（若已创建）
docker stop milvus-test && docker rm milvus-test

# 启动生产环境容器
docker run -d \
  --name milvus-prod \
  --restart=always \
  --network milvus-network \
  --gpus all \  # 若使用GPU版本，需添加此参数以启用GPU支持（需安装nvidia-docker）
  --memory=16g \  # 限制容器最大内存使用（根据实际资源调整）
  --cpus=8 \      # 限制容器CPU核心数（根据实际资源调整）
  -p 19530:19530 \
  -p 9091:9091 \
  -v /data/milvus/data:/var/lib/milvus/data \  # 持久化存储数据
  -v /data/milvus/logs:/var/lib/milvus/logs \  # 持久化存储日志
  -v /data/milvus/config:/var/lib/milvus/config \  # 挂载自定义配置
  -v /data/milvus/cache:/var/lib/milvus/cache \  # 挂载缓存目录
  -e TZ=Asia/Shanghai \  # 设置时区
  -e MILVUS_LOG_LEVEL=info \  # 设置日志级别（debug/info/warn/error）
  xxx.xuanyuan.run/milvusdb/milvus:master-20251203-5d0c8b1b-gpu-amd64

新增参数说明：

  • --network milvus-network：将容器加入自定义网络，便于后续与其他服务（如ETCD、MinIO）通信
  • --gpus all：启用GPU支持，需宿主机已安装NVIDIA驱动和nvidia-container-runtime，仅GPU版本镜像需要
  • --memory=16g：限制容器最大使用16GB内存，防止资源耗尽
  • --cpus=8：限制容器使用8个CPU核心
  • -v /data/milvus/data:/var/lib/milvus/data：挂载数据目录，确保数据持久化（生产环境核心配置）
  • -e TZ=Asia/Shanghai：设置容器时区为上海，避免日志时间与本地时间不一致

部署状态检查

容器启动后，通过以下命令检查部署状态：

# 查看容器运行状态
docker ps | grep milvus-prod

# 预期输出示例（状态为Up）：
# CONTAINER ID   IMAGE                                                                 COMMAND                  CREATED         STATUS         PORTS                                              NAMES
# a1b2c3d4e5f6   xxx.xuanyuan.run/milvusdb/milvus:master-20251203-5d0c8b1b-gpu-amd64   "/tini -- /milvus/bi…"   5 minutes ago   Up 5 minutes   0.0.0.0:19530->19530/tcp, 0.0.0.0:9091->9091/tcp   milvus-prod

# 查看容器日志（验证服务是否正常启动）
docker logs -f milvus-prod | grep "Milvus is ready"

# 预期输出示例（表示服务启动成功）：
# [2025/12/10 08:30:00.123 +08:00] [INFO] [standalone/standalone.go:123] ["Milvus is ready to serve"]

若日志中出现"Milvus is ready to serve"，说明服务已成功启动，可进行功能测试。

功能测试

测试环境准备

MILVUS提供多种客户端工具，本文以官方Python SDK为例进行功能测试：

1. 安装Python客户端
# 安装MILVUS Python SDK（需Python 3.7+）
pip install pymilvus==2.4.0  # 版本需与MILVUS服务端兼容，参考官方文档
2. 准备测试脚本

创建测试脚本milvus_test.py：

from pymilvus import (
    connections,
    FieldSchema, CollectionSchema, DataType,
    Collection,
    utility
)

# 连接MILVUS服务
def connect_milvus():
    try:
        connections.connect(
            alias="default",
            host="localhost",  # 宿主机IP，若客户端与服务端不在同一机器，需修改为服务端IP
            port="19530"       # 服务端口，与部署时映射的端口一致
        )
        print("成功连接MILVUS服务")
        return True
    except Exception as e:
        print(f"连接MILVUS失败: {e}")
        return False

# 创建集合（类似数据库表）
def create_collection(collection_name="test_collection"):
    # 定义字段
    fields = [
        FieldSchema(name="id", dtype=DataType.INT64, is_primary=True, auto_id=True),
        FieldSchema(name="vector", dtype=DataType.FLOAT_VECTOR, dim=128)  # 128维向量
    ]
    # 定义集合 schema
    schema = CollectionSchema(fields, "测试集合：存储128维向量")
    # 创建集合
    collection = Collection(
        name=collection_name, 
        schema=schema, 
        using="default", 
        shards_num=2  # 分片数量，根据数据量调整
    )
    print(f"成功创建集合: {collection_name}")
    return collection

# 插入向量数据
def insert_data(collection):
    import random
    # 生成1000条128维随机向量
    vectors = [[random.random() for _ in range(128)] for _ in range(1000)]
    # 插入数据
    mr = collection.insert([vectors])
    print(f"成功插入{len(mr.primary_keys)}条数据，主键列表: {mr.primary_keys[:5]}...")
    # 刷新集合使数据可见
    collection.flush()
    return mr.primary_keys

# 创建索引
def create_index(collection):
    # 定义索引参数（IVF_FLAT索引，适合中小规模数据）
    index_params = {
        "metric_type": "L2",  # 距离度量方式：L2（欧氏距离）
        "index_type": "IVF_FLAT",
        "params": {"nlist": 128}  # 聚类中心数量，根据数据量调整
    }
    # 创建索引
    collection.create_index(
        field_name="vector", 
        index_params=index_params,
        index_name="vector_index"
    )
    print("成功创建向量索引")

# 相似度查询
def search_data(collection, top_k=5):
    # 加载集合到内存
    collection.load()
    # 生成查询向量（128维）
    query_vector = [[random.random() for _ in range(128)]]
    # 执行查询
    results = collection.search(
        data=query_vector,
        anns_field="vector",
        param={"nprobe": 10},  # 查询时检查的聚类中心数量，影响查询精度和速度
        limit=top_k,
        expr=None,
        output_fields=["id"],
        consistency_level="Strong"
    )
    # 打印查询结果
    print(f"\n查询结果（Top {top_k}）:")
    for result in results[0]:
        print(f"id: {result.id}, 距离: {result.distance}")
    return results

# 清理测试资源
def clean_up(collection_name="test_collection"):
    utility.drop_collection(collection_name, using="default")
    print(f"成功删除集合: {collection_name}")
    connections.disconnect("default")
    print("断开MILVUS连接")

if __name__ == "__main__":
    if connect_milvus():
        collection = create_collection()
        create_index(collection)
        insert_data(collection)
        search_data(collection)
        clean_up()  # 测试完成后清理资源，实际使用时注释此行

执行测试脚本

python milvus_test.py

预期输出

成功连接MILVUS服务
成功创建集合: test_collection
成功创建向量索引
成功插入1000条数据，主键列表: [1, 2, 3, 4, 5]...

查询结果（Top 5）:
id: 123, 距离: 15.6234
id: 456, 距离: 16.8912
id: 789, 距离: 17.3456
id: 321, 距离: 18.1234
id: 654, 距离: 19.4567
成功删除集合: test_collection
断开MILVUS连接

若输出类似上述结果，说明MILVUS服务功能正常，能够完成集合创建、数据插入、相似度查询等核心操作。

生产环境建议

数据持久化与备份

1. 数据存储最佳实践
  • 使用专用存储：生产环境建议将/data/milvus/data挂载到高性能存储（如SSD），避免使用宿主机系统盘
  • 定期备份：通过定时任务备份数据目录，示例脚本：
# 数据备份脚本（/usr/local/bin/backup_milvus.sh）
#!/bin/bash
BACKUP_DIR="/data/backups/milvus"
TIMESTAMP=$(date +%Y%m%d_%H%M%S)
mkdir -p $BACKUP_DIR

# 停止服务后备份（冷备份，适合数据更新不频繁场景）
# docker stop milvus-prod
# cp -r /data/milvus/data $BACKUP_DIR/data_$TIMESTAMP
# docker start milvus-prod

# 热备份（利用MILVUS内置备份功能，需服务运行中）
docker exec milvus-prod milvus_cli backup create -c all -n backup_$TIMESTAMP -p $BACKUP_DIR

# 保留最近30天备份
find $BACKUP_DIR -type d -mtime +30 -delete

添加执行权限并配置定时任务：

chmod +x /usr/local/bin/backup_milvus.sh
crontab -e
# 添加以下内容（每天凌晨3点执行备份）
0 3 * * * /usr/local/bin/backup_milvus.sh >> /var/log/milvus_backup.log 2>&1

资源配置优化

1. 内存配置
  • MILVUS性能高度依赖内存，建议分配物理内存的50%-70%作为向量缓存（通过cache.size配置）
  • 对于大规模数据（亿级向量），建议内存不低于32GB，GPU版本需额外配置显存
2. CPU配置
  • 根据并发查询量调整CPU核心数，建议每1000 QPS分配2-4核CPU
  • 启用CPU亲和性（通过--cpuset-cpus参数），避免CPU切换开销：
# 示例：限制容器使用CPU核心0-7（共8核）
docker run ... --cpuset-cpus 0-7 ...
3. 存储配置
  • 数据目录使用XFS或EXT4文件系统，禁用文件系统缓存（通过mount参数-o nobarrier）
  • 对于超大规模数据（10亿+向量），建议使用分布式存储（如MinIO、S3），配置storage.type: remote

网络安全

  • 限制端口访问：通过防火墙（如iptables、firewalld）限制19530端口仅允许可信IP访问
  • 启用TLS加密：生产环境建议配置TLS加密通信，步骤如下：
# 1. 准备TLS证书（自签名或CA颁发）
mkdir /data/milvus/cert
openssl req -newkey rsa:2048 -nodes -keyout /data/milvus/cert/server.key -x509 -days 365 -out /data/milvus/cert/server.crt

# 2. 修改MILVUS配置（milvus.yaml）
tls:
  enable: true
  server_cert_path: /var/lib/milvus/cert/server.crt
  server_key_path: /var/lib/milvus/cert/server.key

# 3. 重启容器使配置生效
docker restart milvus-prod

监控与告警

1. Prometheus + Grafana监控

MILVUS暴露Prometheus指标接口（默认端口9091），可通过以下步骤配置监控：

  1. 配置Prometheus：

编辑prometheus.yml，添加MILVUS目标：

scrape_configs:
  - job_name: 'milvus'
    static_configs:
      - targets: ['localhost:9091']  # 宿主机IP:管理端口
  1. 导入Grafana面板：
  • 启动Grafana并连接Prometheus数据源
  • 导入MILVUS官方面板（面板ID：15799，需从Grafana官网获取最新ID）
  • 配置关键指标告警（如服务不可用、查询延迟过高、内存使用率超阈值）

高可用部署

单机部署适合测试和小规模场景，生产环境建议采用集群部署，包含以下组件：

  • Milvus集群：由Proxy、Index Node、Query Node、Data Node等组件构成
  • 元数据存储：使用ETCD集群（推荐3节点以上）
  • 对象存储：使用MinIO或S3兼容存储
  • 负载均衡：使用Nginx或云厂商负载均衡服务

集群部署详细步骤参考MILVUS官方文档。

故障排查

常见问题及解决方法

1. 容器启动失败

症状：docker ps未显示容器，或容器状态为Exited

排查步骤：

  • 查看容器日志：docker logs milvus-prod
  • 检查端口占用：netstat -tulpn | grep 19530（若端口已被占用，需修改映射端口）
  • 检查挂载目录权限：ls -ld /data/milvus（确保目录有读写权限）

示例解决方案：

  • 端口冲突：修改部署命令中的端口映射，如-p 19531:19530
  • 权限问题：调整目录权限chown -R 1000:1000 /data/milvus（容器内默认用户ID为1000）
2. 客户端连接失败

症状：客户端提示"connection refused"或"timeout"

排查步骤：

  • 检查服务状态：docker exec milvus-prod milvus_cli health check
  • 检查网络连通性：telnet <milvus-server-ip> 19530
  • 检查防火墙规则：firewall-cmd --list-ports（确保19530端口已开放）

示例解决方案：

  • 服务未启动：docker start milvus-prod
  • 防火墙拦截：firewall-cmd --add-port=19530/tcp --permanent && firewall-cmd --reload
3. 查询性能低下

症状：查询延迟高，QPS低

排查步骤：

  • 查看监控指标：通过Grafana查看查询延迟（milvus_query_latency_seconds）、内存使用率（milvus_memory_usage_bytes）
  • 检查索引状态：docker exec milvus-prod milvus_cli index describe -c <collection_name>
  • 分析日志：grep "slow query" /data/milvus/logs/milvus.log（查看慢查询日志）

示例解决方案：

  • 未创建索引：为集合创建合适的索引（如IVF_FLAT、HNSW）
  • 内存不足：增加cache.size配置或升级服务器内存
  • 索引参数不合理：调整索引参数（如nlist、nprobe），平衡查询速度和精度
4. GPU加速未生效

症状：GPU版本镜像启动后，日志中无GPU相关信息，查询速度未提升

排查步骤：

  • 检查宿主机GPU驱动：nvidia-smi（需显示GPU信息）
  • 检查容器是否启用GPU：docker inspect milvus-prod | grep "NVIDIA_VISIBLE_DEVICES"
  • 查看MILVUS配置：确认gpu.enable: true

示例解决方案：

  • 未安装nvidia-docker：参考NVIDIA官方文档安装
  • 容器未挂载GPU：添加--gpus all参数重启容器

参考资源

官方文档与工具

轩辕镜像资源

容器化相关资源

总结

本文详细介绍了MILVUS向量数据库的Docker容器化部署流程，从基础环境准备到生产级配置，涵盖镜像拉取、容器部署、功能测试、性能优化和故障排查等关键环节。通过Docker部署MILVUS，可大幅简化环境配置流程，提高部署一致性和可维护性，同时结合轩辕镜像加速服务，有效解决了国内网络环境下的镜像拉取效率问题。

关键要点

  • 环境准备：使用轩辕提供的一键脚本快速安装Docker并配置镜像加速，确保国内环境下高效拉取镜像
  • 镜像拉取：采用docker pull xxx.xuanyuan.run/milvusdb/milvus:{TAG}命令拉取，推荐使用master-20251203-5d0c8b1b-gpu-amd64标签（测试环境）
  • 容器部署：测试环境可快速启动，生产环境需配置持久化存储、资源限制、网络隔离，并建议挂载自定义配置文件优化参数
  • 功能验证：通过Python SDK测试集合创建、数据插入、相似度查询等核心功能，确保服务正常运行
  • 生产优化：重点关注数据备份、资源配置、网络安全和监控告警，大规模场景建议采用集群部署

后续建议

  • 深入学习高级特性：探索MILVUS的分布式集群部署、混合检索（向量+标量）、索引优化等高级功能，参考MILVUS官方文档
  • 性能调优：根据实际业务场景（数据量、查询QPS、延迟要求）调整索引类型（如HNSW适合高查询速度，IVF适合大规模数据）和参数（如nlist、nprobe）
  • 监控与运维：部署Prometheus+Grafana监控体系，关注关键指标（查询延迟、吞吐量、内存使用率），建立完善的告警机制
  • 安全加固：生产环境务必启用TLS加密、访问控制和定期安全审计，防止数据泄露和未授权访问

参考链接

通过本文指南，读者可快速掌握MILVUS的容器化部署方法，并为后续的生产实践提供基础。随着AI应用的普及，向量数据库的重要性日益凸显，深入理解和优化MILVUS部署将为相关业务场景提供有力支持。

【大模型RAG】Docker 一键部署 Milvus 完整攻略
weixin_41645791的博客
06-08 5244
Milvus 2.5 Stand-alone 版可通过 Docker 在几分钟内完成安装，官方提供了 Docker Compose 编排脚本，可一键启动 Milvus、etcd 及 MinIO 容器并暴露 19530 和 9091 端口【 】【 】。为了加速国内安装，推荐使用腾讯云镜像或 FastGit 替代 GitHub 地址拉取 Compose 文件【 】【 】。数据持久化通过在 Compose 中将宿主机目录挂载到容器的 /var/lib/milvus 实现，首次启动后宿主机指定目录下会生成
企业级 Milvus 部署全攻略：Docker Compose 安装 + 外部访问 + 持久化存储
AI Agent 首席体验官
03-12 2654
Milvus 是一个开源的向量数据库，专为嵌入式向量相似度搜索和 AI 应用设计。本指南将详细介绍如何通过 Docker Compose 进行企业级部署，包括持久化存储配置和外部访问设置。
FastGPT极速上手指南：Docker容器化部署实战
分享实践与思考
06-23 2483
使用 Docker Compose 快速部署 FastGPT 4.9.7版本
Milvus Docker部署技术详解：从单机到集群的完整指南
lzx618的博客
11-29 1218
本文详细介绍了Milvus向量数据库的Docker部署方案，涵盖单机和集群两种部署模式。主要内容包括： 环境准备：系统要求（推荐Ubuntu 20.04+）、硬件配置和Docker生态安装步骤，包括国内镜像加速配置。 单机部署：使用Docker Compose快速搭建开发环境，包含配置文件解析和常见问题处理（如镜像下载慢、端口冲突等解决方案）。 集群部署：Kubernetes架构说明和Helm Chart部署流程，提供资源配置、存储优化和高可用配置建议。 运维指南：介绍监控告警体系、数据备份策略和版本升级流
docker安装milvus向量数据库&Attu可视化界面
954L
03-19 1925
安装 Docker 及 Docker Compose验证 Docker 环境 若出现：，则执行下述安装步骤1. 下载官方 Compose 文件 2. 下载milvus.yml文件并配置 在文末通过attu进行修改milvus连接密码 修改配置文件开启鉴权：common -> security -> authorizationEnabled改为true3. 修改docker-compose.yml，挂载自定义的milvus.yaml文件 找到：services -> standalone -> volume
Milvus 向量数据库详解：从核心概念到 Docker 部署实践
喵酱
04-03 2172
Milvus 是一个开源的向量数据库，专门设计用于处理海量向量数据的存储、索引和检索。作为专为 AI 应用打造的基础设施，它能够高效管理由深度学习模型生成的嵌入向量（embeddings），支持相似性搜索、推荐系统、图像识别、自然语言处理等多种应用场景。Milvus 作为领先的开源向量数据库，为AI应用提供了强大的相似性搜索能力。通过本文的介绍，您应该已经了解了：Milvus 的核心概念和架构设计各种向量索引的特点和适用场景使用Docker快速部署Milvus的方法基本操作和最佳实践。
Milvus部署架构选择和Docker部署实战指南
猫步轻移，以学求知。余于此方寸之地，如猫观鼠，细察技艺所得，思维所悟。灵思如猫之警觉，日积月累，终成智海；
05-26 1456
向量数据库作为AI时代的核心基础设施，Milvus凭借其强大的性能和灵活的架构设计在市场中占据重要地位。然而，许多开发者在部署Milvus时面临架构选择困惑和配置复杂性挑战，导致项目进展受阻。 本文将为您提供一套完整的Milvus部署解决方案，从架构选择策略到Docker实战部署的全流程技术指导。文章深入解析了Milvus Lite、Standalone和Distributed三种部署架构的适用场景，帮助您根据项目规模和数据量级做出最优选择。
【Docker】使用 Docker 部署 Milvus 并启用认证
彬彬侠的博客
09-08 3214
本文详细介绍如何在Docker中部署Milvus Standalone并启用认证功能。内容包括：前提条件检查（Docker环境、硬件配置）、通过Docker Compose下载启动服务、配置RBAC认证（修改milvus.yaml文件）、连接验证及密码修改方法，以及用户角色管理指南。文章还提供了常见问题排查建议，强调生产环境应结合TLS和外部存储。通过该指南，用户可快速搭建安全的向量数据库实例，适用于AI应用开发测试场景。
30分钟极速部署Dify.AI：Docker容器化实战指南
gitblog_00812的博客
08-28 633
你还在为部署AI助手API耗费数小时配置环境？还在担心复杂的依赖关系导致部署失败？本文将带你通过Docker容器化技术，在30分钟内完成Dify.AI的部署，无需复杂的环境配置，让你专注于AI应用的开发与使用。 读完本文后，你将能够： - 理解Dify.AI容器化部署的核心架构 - 掌握使用Docker Compose一键部署Dify.AI的方法 - 配置SSL证书确保服务安全访问 - 切换不同...
milvus向量库docker安装指南
04-15
为了在使用 Docker 的环境中部署和运行 Milvus，本指南提供了详细的安装步骤和说明。 首先，需要安装 Docker，Docker 是一个开源的应用容器引擎，可以让开发者打包应用以及应用的依赖包到一个可移植的容器中，然后...
milvus docker部署
01-17
### 使用 Docker 部署 Milvus 的详细指南 #### 准备工作 为了成功部署 Milvus，确保已经安装并配置好 Docker 和 Docker Compose。对于大多数 Linux 发行版，可以使用包管理器来完成这些工具的安装。 #### 下载官方...
火山引擎向量数据库 Milvus 版正式商业化：AI 时代的向量检索新标杆
volcenginetod的博客
12-01 540
数据堆成了山，却像乱码一样没法用”——这是当下不少企业在AI浪潮中的共同窘境。当大模型像潮水般涌入业务，文本、图像、音频这些“不规则”的非结构化数据，正以每天数十亿条的速度疯狂增长，IDC给出了更详细的数据：2025 年，全年新产生的数据中将有 90% 是非结构化数据，它们本该是企业的“金矿”，却因传统工具“读不懂、查不快、管不好”，沦为食之无味的“数据鸡肋”——只有 18% 的企业机构认为他们有效地利用了非结构化数据。
基于VGG16+Milvus的以图搜图系统实现教程
有问题联系我qq：270490096
12-01 586
本项目通过VGG16模型实现高效特征提取，结合Milvus向量数据库的快速检索能力，构建了一套完整的以图搜图系统。Docker容器化部署确保了环境一致性，Flask+jQuery简化了前后端开发流程。系统可直接用于小型图片库检索，通过微调模型与优化配置，也可扩展至百万级图片库场景。
GraphRAG-2.7.0整合Milvus-2.5.1
优快云_Crazy_app的博客
12-01 290
本文介绍了如何扩展微软GraphRAG项目以支持Milvus向量数据库。主要内容包括：1. 通过新增MilvusVectorStore类继承BaseVectorStore基类，实现Milvus连接、文档加载和向量搜索功能；2. 修改配置文件和枚举类，新增Milvus向量存储类型；3. 提供完整的代码实现方案，包括索引构建、文档查询等核心功能；4. 展示实际查询示例，验证Milvus集成效果。该方案成功将Milvus作为新的向量存储选项集成到GraphRAG框架中，为开发者提供了更多向量数据库选择。
零基础学AI大模型之Milvus实战：Attu可视化安装+Python整合全案例
chandfy的博客
12-01 1014
本文介绍了AI大模型实战系列文章，重点分享Milvus向量数据库的Attu可视化工具安装与Python整合案例。Attu作为官方开源的图形化管理工具，提供跨平台支持、数据库全生命周期管理、向量检索等核心功能。文章详细讲解Attu的安装部署流程（包括Docker方式），并给出Python代码示例展示集合创建、数据插入和相似度查询的完整操作链路。该教程适合零基础开发者快速掌握Milvus的实战应用，降低学习门槛。
零基础学AI大模型之Milvus索引实战
chandfy的博客
12-02 963
摘要 本文介绍Milvus向量数据库索引的核心价值与应用实践。索引作为Milvus的"核心加速器"，通过特定数据结构预处理向量，可提升10-100倍查询效率，并优化资源使用。主要内容包括： 索引价值：平衡召回率与速度，避免暴力比对；节省存储计算资源 索引选型：对比FLAT、IVF_FLAT、IVF_SQ8等4种索引的适用场景、数据量建议及性能特点 实战应用：演示索引创建、查询参数调优等核心操作 适用于需要处理10万级以上向量数据的高效检索场景，帮助开发者在召回率和查询速度间取得最佳平衡。
docker(6-10)
2301_79990780的博客
12-04 666
Docker存储机制摘要 Docker提供两类存储资源： Storage Driver管理的镜像层和容器层：采用分层结构实现Copy-on-Write特性，适合存放无状态应用数据。CentOS默认使用overlay2驱动。
拆解 Docker：只是 Linux 内核的搬运工
最新发布
2501_90357013的博客
12-04 529
当你第一次接触 Docker 时，最直观的感受往往是启动速度快得离谱。相比于虚拟机动辄几分钟的引导过程，Docker 容器几乎是瞬间就出现在了你的终端里。这种差异让很多人误以为 Docker 是一种极其轻量级的虚拟机，但这实际上是一个根本性的认知误区。虚拟机是在模拟硬件，而 Docker 是在复用内核。Docker 的本质非常朴素，它并没有创造全新的黑科技，而是将 Linux 内核中早已存在的功能——主要是 Namespaces、Cgroups 和 UnionFS——进行了标准化的封装和编排。
【docker】存储卷
saber_andlibert的博客
12-02 623
Docker存储卷摘要 Docker存储卷是宿主机与容器目录的绑定机制，实现数据持久化、性能优化和共享功能。主要分为三类：docker管理卷（默认路径）、绑定卷（用户指定路径）和临时卷（内存存储）。管理卷适合临时数据，绑定卷适合精确控制，临时卷适合敏感数据但无法持久化。通过-v和--mount参数可创建各类存储卷，支持多容器共享同一卷。实际应用中，存储卷可用于数据库灾难恢复等场景，但也存在跨主机共享困难、启动参数复杂等问题，需要配合NFS或k8s等工具解决。存储卷是有状态应用的核心，需结合运维规划使用。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值