Genomströmning head-to-head
I HotKV Ltds test av HotKV, Redis, Valkey och Dragonfly på en och samma molninstans hade HotKV den högsta mediangenomströmningen på 11 av 12 kommandon. På PING mätte Dragonfly 0,6% högre, vilket ligger inom lastgeneratorernas gräns, så vi räknar det som oavgjort. Resultaten gäller de testade byggena och inställningarna. Se metodiken nedan.
- Samma maskinVarje server körs på samma instans, en i taget.
- Separata lastgeneratorerDedikerade klientmaskiner skapar lasten, aldrig serverns egen maskin.
- Samma inställningarVarje server får samma antal trådar och ingen annan trimning.
- Median av 3 körningarVarje kommando körs tre gånger. Medianen visas.
- Gränser markerasResultat som sätts av nätverket eller lastgeneratorerna flaggas.
- Hela metodenVarje inställning, gräns och förbehåll står utskrivet under resultaten.
- CPU:
- AMD EPYC 9V45 (Turin)
- vCPU:er:
- 160
- Arkitektur:
- x86_64
- RAM:
- 314,8 GB
- Nätverk:
- 78 Gbit/s ut, 132+ Gbit/s in
- Trådar:
- 160 per server (Redis 128, dess maximum)
- Mätt:
- 9 oktober 2026
Operationer per sekund, median av 3 körningar. Varje stapel är skalad mot den snabbaste servern på det kommandot.
- Högsta resultatet på det kommandot.
- Nätverksbegränsat: instansens nätverk satte det här resultatet, så serverns egen gräns är högre.
- Begränsat av lastgeneratorn: lastgeneratorernas maskiner låg över 85% CPU, så det här är deras tak, inte serverns.
- Azure mäter utgående trafik: iperf3 mätte 78 Gbit/s ut och minst 132 Gbit/s in med tre klientmaskiner. GET och MGET skickar värden ut. HotKV:s GET använde 88% av taket för utgående trafik, så det är ett golv som instansen sätter, inte en servergräns, och dess MGET, på 83%, ligger strax bakom. Dragonflys läsningar använde högst 44% av taket.
- Skrivningar kommer in, så skrivresultaten är serversiffror. Den tyngsta, SETNX på omkring 106 Gbit/s, använde omkring 80% av taket för inkommande trafik, så betrakta HotKV:s skrivsiffror som milda nedre gränser.
- På PING nådde lastgeneratorerna 86% CPU med HotKV och 82% med Dragonfly. De 0,6% som skiljer dem åt ligger inom den gränsen, så PING är oavgjort.
Exakta siffror för Azure D160alds_v7
| Kommando | HotKV | Redis | Valkey | Dragonfly | HotKV mot Redis | HotKV mot Valkey | HotKV mot Dragonfly |
|---|---|---|---|---|---|---|---|
| SET | Högst: 50,480,621 | 3,409,794 | 2,882,486 | 15,042,258 | 14.80x | 17.51x | 3.36x |
| GET | Högst: 36,643,656(Nätverksbegränsat) | 1,132,934 | 1,631,573 | 13,446,228 | 32.34x | 22.46x | 2.73x |
| MGET | Högst: 4,617,382 | 277,956 | 536,872 | 2,348,137 | 16.61x | 8.60x | 1.97x |
| SETNX | Högst: 55,333,360 | 1,397,967 | 1,860,919 | 14,442,422 | 39.58x | 29.73x | 3.83x |
| APPEND | Högst: 25,050,648 | 1,530,680 | 1,290,421 | 8,858,165 | 16.37x | 19.41x | 2.83x |
| INCR | Högst: 90,783,545 | 2,104,069 | 1,918,073 | 20,603,259 | 43.15x | 47.33x | 4.41x |
| LPUSH | Högst: 31,617,779 | 1,247,914 | 842,106 | 10,579,641 | 25.34x | 37.55x | 2.99x |
| RPUSH | Högst: 43,776,706 | 628,324 | 878,476 | 11,014,977 | 69.67x | 49.83x | 3.97x |
| SADD | Högst: 50,626,647 | 2,053,737 | 894,438 | 12,044,417 | 24.65x | 56.60x | 4.20x |
| HSET | Högst: 28,997,514 | 536,527 | 781,768 | 9,797,534 | 54.05x | 37.09x | 2.96x |
| MSET | Högst: 11,275,369 | 378,641 | 464,801 | 2,941,342 | 29.78x | 24.26x | 3.83x |
| PING | 125,232,520(Begränsat av lastgeneratorn) | 3,235,600 | 3,480,446 | Högst: 126,033,542 | 38.70x | 35.98x | 0.99x |
Snabbare än vektoruppsättningarna i Redis 8 i vårt test
Vi läste in samma OpenAI-embeddings i HotKV och Redis 8 och körde samma 1 000 frågor mot var och en, med 1 till 100 samtidiga klientanslutningar, på en maskin. Båda höll vektorer i full precision, med samma indexinställningar.
Frågor per sekund vid samma recall
Båda motorerna lagrade float32-vektorer i full precision. Efter inläsning av 999 000 vektorer höll HotKV-processen 6,77 GB och Redis 7,01 GB.
Inte mätt: Redis standardläge med 8-bitars kvantisering, Redis Query Engine, andra datamängder och annan hårdvara. HotKV-bygget är ett utvecklingsbygge som inte har släppts. Redis lästes in fastnålat till fyra vCPU:er och söktes på ett omladdat index (se artikeln).
Alla siffror: 999 000 vektorer, 50 klienter
| ef | HotKV recall | Redis recall | HotKV frågor/s | Redis frågor/s | Kvot |
|---|---|---|---|---|---|
| 40 | 0,940 | 0,923 | 63 897 | 8 061 | 7,9x |
| 80 | 0,970 | 0,962 | 37 508 | 6 825 | 5,5x |
| 150 | 0,987 | 0,980 | 21 912 | 5 241 | 4,2x |
| 300 | 0,993 | 0,990 | 12 393 | 3 454 | 3,6x |
| 500 | 0,997 | 0,994 | 7 688 | 2 483 | 3,1x |
HotKV-bygge c8dafd37 och Redis 8.10.2, likhet med cosinus, HNSW med M=16 och ef_construction=200 på båda, float32 på båda (Redis NOQUANT). Recall är recall@10 mot exakta brute force-resultat. Median av 3 körningar på Azure Standard_D160alds_v7, AMD EPYC 9V45, 160 vCPUs. Servrarna delade på 128 vCPU:er och lastgeneratorerna kördes på 32 andra, med samma klientkod för båda.
Datamängd: dbpedia-entities-openai-1M-embeddings (OpenAI text-embedding-ada-002, 1 536 dimensioner) av Kumar Shivendu and Nirant Kasliwal, licensierad som MIT, plus 1 000 undantagna frågor. Fullständig metod, skript och råa resultat. Mätt 14 oktober 2026.
Redo att sätta HotKV i arbete?
Få tidig åtkomst och utforska HotKV för din arbetslast.
Få tidig åtkomst