Collection

Qdrant는 고성능 벡터 검색 엔진이며, 다양한 벡터 기반 검색 기능을 제공한다. 이 글에서는 Qdrant의 핵심 개 중 하나인 컬렉션(Collection)에 대해 설명하고, 설정 방법과 고급 기능까지 정리한다.

컬렉션(Collection)이란 무엇인가

Qdrant에서 컬렉션은 벡터(Point)와 그에 따른 Payload의 논리적 집합이다. 컬렉션 내부의 모든 벡터는 동일한 차원(dimensionality)과 동일한 거리 측정 방식(metric)을 사용해야 하며, 검색은 컬렉션 단위로 수행된다.

지원 거리 측정 방식

• Dot Product (내적)

• Cosine Similarity (코사인 유사도)

• Euclidean Distance (유클리디안 거리)

• Manhattan Distance (맨해튼 거리)

Cosine 방식은 내부적으로 정규화된 벡터에 대한 Dot Product로 구현되며, 업로드 시 벡터는 자동으로 정규화된다.

컬렉션 생성 예시

PUT /collections/:collection_name
{
  "vectors": {
    "size": 300,
    "distance": "Cosine"
  }
}

선택 가능한 추가 설정

설정 키	설명
hnsw_config	HNSW 인덱스 구조 설정
wal_config	Write-Ahead Log 관련 설정
optimizers_config	인덱스 최적화 설정
shard_number	샤드 개수
on_disk_payload	Payload를 디스크에만 저장할지 여부
quantization_config	벡터 양자화 설정
strict_mode_config	Strict 모드 설정

멀티테넌시 구성 방법

단일 컬렉션 기반 멀티테넌시

대부분의 경우에는 하나의 컬렉션에서 payload 기반 분리 방식으로 멀티테넌시를 구성하는 것이 가장 효율적이다. 이 방법은 사용자 간의 논리적 구분이 가능하며, 시스템 자원을 절약할 수 있다.

다중 컬렉션 사용이 적합한 경우

사용자 수가 적고, 사용자 간 완전한 성능 또는 데이터 격리가 필요할 경우에는 여러 개의 컬렉션을 생성하는 것이 적합하다. 단, 이 방식은 자원 사용량이 증가할 수 있고, 각 컬렉션 간 성능 간섭을 방지해야 한다.

---

기존 컬렉션으로부터 새 컬렉션 생성

PUT /collections/new_collection
{
  "vectors": {
    "size": 300,
    "distance": "Cosine"
  },
  "init_from": {
    "collection": "existing_collection"
  }
}

init_from 기능은 실험 또는 테스트 목적에는 유용하나, 성능 민감 환경에서는 예기치 않은 부하를 유발할 수 있으므로 주의가 필요하다.

Named Vector를 사용한 다중 벡터 구성

하나의 포인트에 서로 다른 종류의 벡터를 저장하고, 각각의 이름과 설정을 별도로 지정할 수 있다.

PUT /collections/multivector_collection
{
  "vectors": {
    "image": { "size": 4, "distance": "Dot" },
    "text": { "size": 8, "distance": "Cosine" }
  }
}

각 벡터는 고유 이름을 가져야 하며, 독립적으로 인덱싱 및 최적화 설정이 가능하다.

RAM 또는 디스크 기반 벡터 저장

기본적으로 벡터는 RAM에 저장되어 빠른 검색이 가능하다. 그러나 on_disk 옵션을 활성화하면 메모리맵 기반으로 디스크에 저장할 수 있다.

PATCH /collections/my_collection
{
  "vectors": {
    "": { "on_disk": true }
  }
}

Named Vector를 사용하는 경우에는 벡터 이름을 명시해야 한다.

정수형 벡터 저장 (uint8)

PUT /collections/compact_collection
{
  "vectors": {
    "size": 1024,
    "distance": "Cosine",
    "datatype": "uint8"
  }
}

uint8 형식은 메모리를 절약하고 검색 속도를 향상시킬 수 있다. 다만, 일부 정밀도 손실이 있을 수 있다.

Sparse Vector 저장

희소 벡터는 각 차원에 해당하는 값만 저장되는 구조이며, 주로 텍스트 기반 검색에 사용된다. 이름이 반드시 필요하며, 거리 측정 방식은 Dot으로 고정된다.

PUT /collections/sparse_collection
{
  "sparse_vectors": {
    "text": {}
  }
}

컬렉션 상태 확인 및 삭제

• 컬렉션 존재 여부 확인: GET /collections/{collection_name}/exists

• 컬렉션 정보 조회: GET /collections/{collection_name}

• 컬렉션 삭제: DELETE /collections/{collection_name}

컬렉션의 상태는 다음과 같이 나타난다.

상태	설명
green	최적화 완료
yellow	최적화 중
grey	최적화 대기 중 (업데이트 필요)
red	오류 발생

컬렉션 Alias 사용

Alias는 컬렉션에 대한 별칭을 의미한다. 운영 환경에서는 버전 전환 시 유용하게 사용할 수 있다.

POST /collections/aliases
{
  "actions": [
    {
      "create_alias": {
        "collection_name": "v1_collection",
        "alias_name": "prod_collection"
      }
    }
  ]
}

기존 alias를 다른 컬렉션으로 교체할 경우에는 원자적 처리로 delete_alias → create_alias를 함께 수행해야 한다.

벡터/포인트 수 확인

• points_count: 전체 포인트 수

• vectors_count: 전체 벡터 수

• indexed_vectors_count: 인덱싱된 벡터 수 (HNSW 등)

이 값들은 내부 최적화 상태에 따라 변동되며, 정확한 수치를 위해서는 count API를 사용하는 것이 바람직하다.

결론

Qdrant의 컬렉션은 단순한 벡터 저장소를 넘어서, 다양한 구성 옵션과 운영 기능을 제공한다. 다중 벡터 구성, 멀티테넌시, 디스크 저장, 양자화 및 alias 기능은 실무 환경에서 유용하게 활용될 수 있다. 컬렉션의 구조와 설정을 잘 이해하고 활용한다면, Qdrant를 통해 고성능 벡터 검색 시스템을 안정적으로 운영할 수 있다.