1 背景介绍

开源for Huawei（参考：https://developer.huaweicloud.com/programs/opensource/contributing/）  通过和公司、高校、社区的开发者合作，完成鲲鹏、昇腾、欧拉、鸿蒙、高斯、云服务等与开源软件的适配开发，帮助繁荣Huawei的基础生态，同时让开源软件能够更加简单、高效的运行于华为云上。

开始之前，开发者可以下载 开源for Huawei Wiki（参考：https://gitcode.com/HuaweiCloudDeveloper/OpenSourceForHuaweiWiki/overview） 了解详细的开发步骤，技术准备，以及开发过程需要的各种资源。

2. 需求分析

2.1 项目影响力

Faiss (Facebook AI Similarity Search) 是一个高效的相似性搜索库，广泛应用于推荐系统、图像搜索等场景。

截至 2024 年 9 月20日，Faiss 项目在 GitHub 上的 star 数量已达 30.6k，fork 数量为 3.6k，贡献者数量约为 160 名。最近一次代码提交时间为9月12日。以下是 Faiss 项目的 star 历史图：

2.2 任务目的和范围

本任务的主要目标是将 Faiss 项目适配至华为的 Ascend（昇腾）和 Kunpeng（鲲鹏）处理器，确保该库在这些硬件平台上高效运行，进一步提升大规模向量搜索与处理的性能，推动华为在搜索引擎及推荐系统领域的技术进步。

l 能力要求：

- 熟练掌握GaussDB
- 熟悉 C++ 和 Python 编程
- 具备大规模数据处理及搜索算法相关经验
- 了解 NPU 架构及并行计算优化  
- 熟悉 Ascend 和 Kunpeng 处理器的硬件架构及优化技巧

2.3 适配任务清单

3. 工作量评估

4. 任务分解

4.1 完成 Faiss 演示 Demo 的设计、开发和部署

DEMO 流程图参考如下：

Demo 包含以下内容：
1. 向量数据存储与管理
用户通过 Gradio 接口上传大规模向量数据（或者上传文本等用模型向量化），系统将通过 Faiss 进行相似性搜索并将处理后的数据存储在 GaussDB 中。
技术实现：
- Faiss 负责处理上传的向量数据，并生成索引。
- 索引结果持久化存储在 GaussDB 中，以确保数据安全与管理。
2. 向量查询与检索
系统从 GaussDB 中检索存储的向量数据并通过 Faiss 进行相似性搜索。
3. 确保 Faiss 在 Ascend 和 Kunpeng 处理器上高效运行。
4.写出文档列出详细步骤，让初次接触这个DEMO的人可以容易的复现。

4.2 完成适配心得输出

撰写详细的适配心得，涵盖 Faiss 在 Ascend 和 Kunpeng 处理器上的适配过程、技术挑战，以及和GaussDB的集成。

4.3 在华为云开发者论坛输出博客

访问华为云开发者论坛（参考：https://bbs.huaweicloud.com/blogs）发表博客，介绍完成这些任务的过程和心得。

内容包括不限于如下内容：

l 开源for Huawei的背景

l 开源软件的功能介绍

l 开发适配过程及碰到和解决的问题

l DEMO设计、开发、部署过程

l 代码推送开源社区及互动过程

博客打上如下标签：

l 开源（必选）

l 开发者（必选）

l GaussDB数据库（可选）

l 云数据库 GaussDB（可选）

l 鲲鹏（可选）

l 昇腾（可选）

l 鸿蒙（可选）

l 对象存储 OBS（可选）

5.验收材料

6. 参考资料

1. GitHub - Faiss: https://github.com/facebookresearch/faiss