HisamDB ⚔️
HisamDB (Hybrid Indexed SIMD ANN Memory DB — "Hisâm": keskin kılıç / cutting-edge), yapay zekâ uygulamaları (RAG, anlamsal arama, sohbet botları, öneri sistemleri) için geliştirilmiş; yüksek performanslı, ultra düşük bellek (RAM) tüketimli, hibrit arama (Vektör + Metin) destekli, çökme korumalı (WAL) ve çekirdeğinde yalnızca numpy gerektiren açık kaynaklı bir Python Vektör Veritabanıdır.
Gömülü Python kütüphanesi olarak tek satırda başlayabilir, asyncio ile binlerce eşzamanlı sorgu çalıştırabilir veya yerleşik FastAPI + Docker REST sunucusu ile üretim ortamına çıkabilirsiniz.
Felsefe: Cutting-Edge Performance + Ultra-Low Memory + Fast Retrieval + Reliable Storage + Developer Friendly
🧠 Teknik Kavramlar Sözlüğü (Herkes İçin Basit Anlatım)
Vektör veritabanlarına yeni başlıyorsanız aşağıdaki kısa sözlük, bu README'deki tüm grafikleri ve ayarları hiç ön bilgi gerektirmeden anlamanızı sağlar:
1. Vektör (Embedding) Nedir?
Bilgisayarlar "kedi" ile "yavru kedi" kelimelerinin anlamca yakın olduğunu doğrudan bilemez. Yapay zekâ modelleri (OpenAI, BGE, MiniLM vb.) her metni, resmi veya belgeyi örneğin 384, 768 veya 1536 sayıdan oluşan bir koordinata (vektöre) çevirir. Tıpkı bir şehir haritasındaki GPS koordinatları gibi, anlamı benzer cümlelerin koordinatları birbirine yakın olur. HisamDB bu milyonlarca koordinat içinde en yakınları milisaniyeler içinde bulur.
2. Benzerlik Metrikleri (Cosine, Euclidean, Dot Product) Ne Demek?
İki vektörün ne kadar benzediğini ölçmenin 3 yolu vardır:
cosine(Kosinüs Benzerliği): İki okun arasındaki açıya bakar (uzunluktan bağımsızdır). Metin ve RAG aramalarında en yaygın standarttır.euclidean(Öklid / L2 Mesafesi): Haritadaki kuş uçuşu düz çizgi mesafesidir. Görüntü ve sensör verilerinde sık kullanılır.dot_product(İç Çarpım): Hem yönü hem büyüklüğü birlikte ölçer. Öneri sistemleri ve önceden normalize edilmiş OpenAI/BGE vektörlerinde çok hızlıdır.
3. İndeks Türleri (Flat, IVF, IVF-PQ, HNSW, DiskIndex) Arasındaki Fark Nedir?
1 milyon kitaplık bir kütüphanede aradığınız kitabı nasıl bulursunuz?
flat(Tam Tarama): Her rafa tek tek bakar. %100 kesindir, 10–50 bin kayda kadar çok hızlıdır; milyonlarca kayıtta yavaşlar.ivf(Kümeleme / Inverted File): Kitapları önce konularına göre örneğin 256 bölüme (kümeye) ayırır. Sorgu gelince tüm kütüphaneyi değil, yalnızca en ilgili 8–16 bölümü tarar.ivf_pq(Kümeleme + Product Quantization): Hem konulara ayırır hem de her vektörü parçalayıp 16–32 kat sıkıştırılmış özet kodlara dönüştürür. 1 milyon vektör yalnızca ~43 MB RAM'e sığar!hnsw(Çok Katlı Graf Ağı): Tıpkı otoyol → ana cadde → sokak haritası gibi çok katmanlı bir kısayol ağı kurar. 1 milyon vektörde bile 0.60 milisaniyede (saniyede 1.600+ sorgu) sonuç verir!disk(DiskIndex+MMap): Vektörleri RAM'e yüklemek yerine küme sırasına göre diskte düzenli tutar ve işletim sisteminin bellek eşleme (mmap) teknolojisiyle yalnızca ilgili parçayı okur. 1 milyon vektörde yalnızca 15.5 MB RAM harcar ve %100 doğruluk verir!
4. Kuantizasyon / Sıkıştırma (Float32, Float16, INT8, Binary + Rescore) Nedir?
Vektörlerdeki her sayı normalde 32 bit (float32 = 4 bayt) yer kaplar. Tıpkı RAW fotoğrafı JPEG'e çevirmek gibi:
float16: Sayıları yarı hassasiyete indirir → 2 kat daha az RAM, neredeyse %100 doğruluk.int8(ScalarQuantizer): Her sayıyı-128..+127arası tek bayta sıkıştırır → 4 kat daha az RAM, %97–%99 doğruluk.binary+rescore: Her sayıyı yalnızca0veya1(tek bit!) yapar → 32 kat daha az RAM! Önce 1 bitlik parmak iziyle en yakın 200 adayı milisaniye altında süzer, ardından bu 200 adayı gerçekfloat32vektörlerle yeniden puanlayarak (rescore) doğruluğu (örneğin OpenAI 1536D'de) %88+'e çıkarır.
5. Hibrit Arama (Dense + BM25 + Sparse) ve RRF Nedir?
- Yalnızca Vektör (Dense): "Sunucu çöktü" deyince "sistem kesintisi" belgesini harika bulur, ama
ERR-9042gibi kesin bir hata kodunu veya fatura numarasını kaçırabilir. - Yalnızca Metin (
Okapi BM25):ERR-9042kodunu tam bulur, ama eş anlamlı cümleleri anlayamaz. - Hibrit Arama +
RRF(Reciprocal Rank Fusion): İki motoru aynı anda çalıştırır ve sonuç listelerini sıralamalarına göre adil biçimde birleştirir (1 / (k + sıra)). Sonuç: Aşağıdaki grafikte göreceğiniz gibi doğruluk %53'ten %100'e fırlar! - Sparse Vektör: SPLADE veya BGE-M3 gibi modern yapay zekâ modellerinin ürettiği ağırlıklı kelime vektörleridir (
{kelime_id: ağırlık}).
6. RAG ve Parent-Child Bağlam Penceresi Nedir?
RAG (Retrieval-Augmented Generation), ChatGPT/Claude/Gemini gibi bir LLM'e cevap vermeden önce kendi belgelerinizden ilgili parçaları bulup vermektir. HisamDB uzun PDF/Word dokümanlarını örtüşmeli parçalara (chunk_text) böler; arama bir cümleyi bulduğunda retrieve_with_context(window=1) ile o parçanın bir önceki ve bir sonraki komşu parçalarını da otomatik getirerek LLM'in bağlamı kaybetmesini önler.
7. Güvenilirlik: WAL, Tombstone, Compaction ve SHA-256 Snapshot Nedir?
WAL(Write-Ahead Log): Uçağın kara kutusu gibidir. Bir ekleme veya silme işlemi ana dosyalara işlenmeden önce CRC32 korumalı günlüğe yazılır; elektrik kesilse veya program çökse bile açılışta yarım kalan kayıtlar temizlenip veri kurtarılır.TombstoneSilme &Compaction: 100.000 vektörlü bir dosyadan 1 kayıt silmek için tüm dosyayı yeniden yazmak yerine (182 ms), o satıra bellekte "silindi" işareti (tombstone) konur (0.40 ms — 451x daha hızlı!). Silinenlerin oranı %25'i geçinceCompactionarka planda boşlukları temizleyip dosyayı sıkıştırır.SHA-256 Snapshot: Veritabanının o anki tutarlı yedeğini alır ve her dosyanın kriptografik parmak izini (SHA-256) kaydeder. Geri yüklerken tek bir bit bile bozulmuşsa bunu yakalayıp uyarır.
8. Grafiklerdeki Ölçüm Birimleri (Recall@10, P50, P95, QPS, SIMD) Ne Demek?
Recall@10/Hit@10: Sistemin bulduğu ilk 10 sonucun, gerçekten en yakın olan 10 sonuçla ne kadar örtüştüğüdür (1.00= %100 kusursuz,0.98= 10 sonuçtan ortalama 9.8'i doğru).P50 (Medyan)veP95(ms): Sorguların yarısının tamamlandığı tipik süre (P50) ve en yavaş %5'lik dilimin sınırı (P95). Düşük olan daha iyidir (1 ms= saniyenin binde biri!).QPS(Queries Per Second): Saniyede cevaplanan sorgu sayısıdır. Yüksek olan daha iyidir.SIMD(AVX2/FMA/POPCNT): Modern işlemcilerin tek bir komutta 1 sayı yerine 8 sayıyı aynı anda çarpıp toplayabilmesi (AVX2) veya 64 bit içindeki1sayısını tek saat çevriminde sayabilmesidir (POPCNT). HisamDB'deki opsiyonel Rust Native SIMD çekirdeği tam olarak bu donanım gücünü kullanır.
🧭 Hangi Ayarı Seçmeliyim? (Hızlı Karar Rehberi)
| Kullanım Senaryosu | Önerilen Ayar | Beklenen Performans (Ölçülmüş) |
|---|---|---|
| Küçük/Orta Proje (< 50K vektör) | index_type="flat" (varsayılan) |
%100 kesin doğruluk, 0.2–3.5 ms |
| En Yüksek Hız & 100K–1M+ Vektör | index_type="hnsw" (pip install "hisamdb[hnsw]") |
1M vektörde 0.60 ms (1,640 QPS), paralel batch 18,765 QPS |
| Çok Düşük RAM (1M Vektör veya 1536D OpenAI) | index_type="disk", use_mmap=True |
1M vektör → 15.5 MB RAM, 25K×1536D → 0.95 MB RAM, %100 Recall! |
| Aşırı Sıkıştırılmış RAM İçi Arama | index_type="ivf_pq", keep_raw_vectors=False |
1M vektör → 42.7 MB RAM (-%91), 2.36 ms (Rust SIMD ile) |
| Kurumsal RAG / Doküman & Hata Kodu Arama | index_type="hnsw" + hybrid_search(fusion="rrf") |
0.94 ms (1,033 QPS), Hit@10 = %100 (Dense-Only %53 idi!) |
| Çok Kullanıcılı SaaS / Mikroservis | hisamdb-server + RemoteHisamDB |
POST /search 3.94 ms, /batch_search(64) 1,610 QPS, SHA-256 Tenant İzolasyonu |
📊 Doğrulanmış Performans Sonuçları ve Grafikler (v1.0.0)
Tüm grafikler ve tablolar kanıtlanmamış tahmini rakam içermez; doğrudan bu depodaki benchmarks/results/ JSON kayıtlarından üretilmiştir. Donanım: Windows x86-64, 12 mantıksal Intel çekirdeği (AVX2/FMA/POPCNT), 15.73 GB RAM, Python 3.11.9, NumPy 2.0.2 (OpenBLAS), rustc 1.96.0, FAISS 1.13.2. Tam bilimsel rapor: BENCHMARK_REPORT.md.
1. Mühendislik Evrimi Özeti (Gerçek Hızlanma Çarpanları)
| Optimizasyon Alanı | Eski Durum | HisamDB v1.0.0 |
Kazanım |
|---|---|---|---|
| Tekil Kalıcı Silme (10K / 100K) | 181.90 ms (v0.3) |
0.403 ms / 0.382 ms (Tombstone+WAL) |
451.4x daha hızlı |
| Arka Plan İndeks İnşası Okuyucu Kesintisi | 1,048 ms tam bloklama |
P50=0.363 ms · Max=3.99 ms (2,212 canlı okuma) |
262.6x düşük kesinti |
| 100K %10 Filtreli Kosinüs Arama | 59.32 ms (v0.2) |
0.479 ms (HNSW + QueryOptimizer) |
123.8x daha hızlı |
| Yoğun Silme Kuyruk Gecikmesi | 49.89 ms (senkron) |
0.821 ms (auto_compact_async=True) |
60.8x düşük gecikme |
| 50K × 768D Flat Öklid & Kosinüs RAM | 116.3 ms / +297 MB |
7.99 ms / 146.9 MB |
14.6x hızlı / -%50.6 RAM |
100K Paralel Toplu Arama (HNSW, w=8) |
7,659 QPS (1 işçi) |
18,765 QPS (13.64 ms / 256 sorgu) |
2.45x çok çekirdekli hız |
2. Büyük Ölçek Performansı: 10.000 → 1.000.000 Vektör (128D vs C++ FAISS)
- 1.000.000 Vektörde
DiskIndex (MMap): Ham veri488.3 MBiken yalnızca15.52 MB RAM(-%96.8 tasarruf) kullanarak9.56 msgecikmeyle%100.0(1.000) Recall@10 sağlar! - 1.000.000 Vektörde
HNSW:0.605 ms(1,640 QPS) ile milisaniye-altı arama yapar veFAISS IndexHNSWFlat'ten daha yüksek Recall@10 (0.744vs0.736) elde eder. - 500.000 Vektörde
IVF-PQ (Rust SIMD):1.548 ms(638 QPS, Recall0.192) ile C++FAISS IndexIVFPQ'yu (1.667 ms,604 QPS, Recall0.186) hem hız hem doğrulukta geride bırakır!
3. Yüksek Boyutlu LLM Embedding'leri (384D MiniLM, 768D BGE/E5, 1536D OpenAI)
- OpenAI
1536D(25Kvektör, ham146.5 MB):DiskIndex (MMap): Yalnızca0.95 MB RAM(-%99.4 tasarruf!) ile1.50 ms(526 QPS) ve%100.0Recall@10 — RAM'deki Flat Float32'den (6.30 ms) 4.2x daha hızlı!Binary + Rescore (20x): İkili indeks yalnızca4.58 MB RAMkaplar;0.98 ms(933 QPS) sürede%88.4Recall@10 verir.INT8 (Rust SIMD):36.8 MB RAM(4x tasarruf) ile%98.6Recall@10 (14.10 ms, saf NumPy'dan1.85xhızlı).HNSW:0.405 ms(2,193 QPS) ve%99.2Recall@10.
4. Opsiyonel Rust Native SIMD (AVX2 + FMA3 + POPCNT) vs Saf NumPy vs C++ FAISS
Çekirdekte hiçbir zorunlu C/Rust derleyicisi olmadan %100 saf NumPy ile çalışan HisamDB, isteyen kullanıcılar için tek komutla derlenen sıfır-bağımlılıklı Rust SIMD çekirdeği (kernels_experimental/hisam_simd.rs) sunar:
- Flat PQ (
100K × 128D):9.41 ms → 1.95 ms(4.83x hızlanma, P952.18 ms< FAISS2.22 ms). - Binary 64-bit POPCNT (
100K × 768D):13.10 ms → 3.02 ms(4.33x hızlanma, yalnızca9.16 MB RAM). - IVF-PQ (
100K × 128D):1.18 ms → 0.62 ms(2.04x QPS, P950.77 ms< FAISS0.94 msve +%49.5 daha yüksek Recall@10!). - INT8 Scalar (
128D / 768D / 1536D): 1.71x – 1.91x hızlanma (Recall@10 = %96.8 – %98.6).
5. Neden Hibrit Arama? — Kurumsal RAG Doğruluk & Hız Kıyaslaması
10.000 kurumsal dokümanda (hem anlamsal sorular hem kesin ERR-XXXX hata kodu / terim sorguları):
- Yalnızca vektör (
Dense-Only) kesin kodları kaçırarak %53 Hit@10, yalnızca metin (BM25-Only) eş anlamlı ifadeleri kaçırarak %50 Hit@10 alırken; - HisamDB Hibrit Arama (
Dense + BM25, RRF) yalnızca0.94 ms(1,033 QPS) sürede%100(1.000) Hit@10 doğruluğuna ulaşır!
📦 Kurulum
# 1. PyPI'dan temel kurulum (yalnızca numpy — sıfır ağır bağımlılık!):
pip install hisamdb
# 2. Opsiyonel HNSW graf indeksi desteği ile:
pip install "hisamdb[hnsw]"
# 3. Opsiyonel hızlı orjson metadata yükleyici ile:
pip install "hisamdb[fast]"
# 4. Opsiyonel üretim FastAPI REST sunucusu (FastAPI + Uvicorn + Pydantic):
pip install "hisamdb[server]"
# 5. Tüm performans ve sunucu eklentileri (hnswlib + orjson + server):
pip install "hisamdb[all]"
# 6. Kaynak koddan geliştirme ve benchmark araçlarıyla kurulum:
pip install -e ".[all,dev,bench]"
Opsiyonel: Rust Native SIMD (AVX2 + FMA3 + POPCNT) Hızlandırması (İsteğe Bağlı)
Bilgisayarınızda Rust (rustc) varsa tek komutla yerel SIMD hızlandırıcısını derleyebilirsiniz — HisamDB bunu açılışta otomatik algılar (derlemezseniz hiçbir hata vermeden saf NumPy ile çalışır):
# Windows (PowerShell):
rustc --crate-type cdylib -C opt-level=3 -C target-cpu=native kernels_experimental/hisam_simd.rs -o kernels_experimental/hisam_simd.dll
# Linux:
rustc --crate-type cdylib -C opt-level=3 -C target-cpu=native kernels_experimental/hisam_simd.rs -o kernels_experimental/libhisam_simd.so
# macOS:
rustc --crate-type cdylib -C opt-level=3 -C target-cpu=native kernels_experimental/hisam_simd.rs -o kernels_experimental/libhisam_simd.dylib
⚡ Hızlı Başlangıç
1. Hibrit Arama (Dense + BM25 + RRF) ve RAG Bağlam Penceresi
from hisamdb import HisamDB
with HisamDB("./rag_db") as db:
coll = db.get_or_create_collection(
name="knowledge_base",
dimension=4,
metric="cosine",
index_type="flat", # "flat", "ivf", "ivf_pq", "hnsw", "disk", "auto"
quantization="none", # "none", "float16", "int8", "binary", "pq"
)
# Dokümanları otomatik _doc_id / _parent_id / _chunk_index ile ekle
coll.add_documents(
documents=[
"İstanbul veri merkezi HNSW vektör veritabanı kurulum rehberi.",
"Sunucu bağlantı hatası ERR-9042 için WAL kurtarma ve checkpoint prosedürü.",
"Yedekleme sonrası SHA-256 doğrulamalı snapshot geri yükleme adımları.",
],
embeddings=[
[0.95, 0.10, 0.05, 0.00],
[0.45, 0.88, 0.05, 0.00],
[0.10, 0.15, 0.96, 0.00],
],
doc_ids=["ops_manual", "ops_manual", "ops_manual"],
metadatas=[{"category": "ops", "year": 2026}] * 3,
)
# Dense + Türkçe Okapi BM25 Hibrit Arama (RRF füzyon + tekilleştirme + filtre)
hits = coll.hybrid_search(
query_vector=[0.80, 0.50, 0.05, 0.00],
query_text="ERR-9042 WAL kurtarma",
limit=3,
alpha=0.5,
beta=0.5,
fusion="rrf", # "rrf", "weighted", "z_score"
deduplicate=True,
group_by="_doc_id",
max_per_group=2,
filter={"year": {"$gte": 2025}},
)
for item in hits:
print(item.id, round(item.score, 4), item.document)
# Parent-Child Bağlam Penceresi (önceki/sonraki komşu parçaları da getirir)
ctx = coll.retrieve_with_context(
query_vector=[0.45, 0.88, 0.05, 0.00],
query_text="ERR-9042",
limit=1,
window=1,
)
print("Birleştirilmiş Bağlam:", ctx[0]["context"])
2. Ultra Düşük RAM (DiskIndex / MMap), Multi-Tenant ve SHA-256 Snapshot
from hisamdb import HisamDB
with HisamDB("./prod_db", use_mmap=True) as db:
# 1M vektörde ~15.5 MB RAM ile %100 Recall:
db.get_or_create_collection("docs_large", dimension=1536, metric="cosine", index_type="disk", use_mmap=True)
# Katı Multi-Tenant İzolasyonu (SaaS uygulamaları için):
db.get_or_create_collection("saas", dimension=4, metric="cosine")
acme = db.get_tenant_collection("saas", "acme_corp")
beta = db.get_tenant_collection("saas", "beta_ltd")
acme.add(ids=["a1", "a2"], vectors=[[1, 0, 0, 0], [0.9, 0.1, 0, 0]], documents=["ACME gizli", "ACME rapor"])
beta.add(ids=["b1"], vectors=[[1, 0, 0, 0]], documents=["Beta gizli"])
# Beta, ACME'nin verisini ne görebilir ne de silebilir:
assert beta.delete(ids=["a1"]) == 0
# <1 ms Tombstone silme (WAL korumalı) + SHA-256 doğrulamalı yedekleme:
acme.delete(ids=["a2"])
db.create_snapshot("./backups/snap_v1")
# Tek bir bit bile bozulsa DataCorruptionError fırlatarak güvenli geri yükleme:
HisamDB.restore_snapshot("./backups/snap_v1", "./restored_db")
3. Asenkron İstemci (AsyncHisamDB), Paralel Batch & Bloklamayan Arka Plan Bakım
import asyncio
from hisamdb import AsyncHisamDB
async def main():
async with AsyncHisamDB("./async_db", max_workers=8) as db:
coll = await db.get_or_create_collection(
"docs", dimension=4, metric="cosine", index_type="hnsw",
index_params={"auto_compact_async": True},
)
await coll.add(ids=["1", "2"], vectors=[[1, 0, 0, 0], [0, 1, 0, 0]], documents=["İstanbul", "Ankara"])
# Eşzamanlı asyncio.gather() + çok çekirdekli batch_search()
hits = await asyncio.gather(
coll.hybrid_search(query_vector=[1, 0, 0, 0], query_text="İstanbul", limit=2),
coll.batch_search([[1, 0, 0, 0], [0, 1, 0, 0]], limit=2),
)
# Okuyucuları bloklamadan arka planda indeks yenileme (Snapshot-and-Swap)
await coll.rebuild_index_async()
asyncio.run(main())
4. Üretim FastAPI REST Sunucusu, Docker ve Sıfır-Bağımlılıklı Python SDK
# Sunucuyu başlat (veya: docker compose up -d --build):
HISAM_API_KEYS="hisam_admin_key:admin:read,write,admin" hisamdb-server --host 0.0.0.0 --port 8000
from hisamdb import RemoteHisamDB
# Harici requests/httpx gerektirmez — standart kütüphane Keep-Alive HTTP/1.1 SDK!
with RemoteHisamDB("http://127.0.0.1:8000", api_key="hisam_admin_key") as db:
coll = db.get_or_create_collection("docs", dimension=4, metric="cosine")
coll.add(ids=["1"], vectors=[[1, 0, 0, 0]], documents=["İstanbul sunucu kılavuzu"])
hits = coll.hybrid_search(query_vector=[1, 0, 0, 0], query_text="İstanbul", limit=3)
print(hits[0].id, round(hits[0].score, 4))
5. ChromaDB Stili Klasik API
import hisamdb
client = hisamdb.PersistentClient(path="./my_hisamdb", use_mmap=False)
collection = client.get_or_create_collection(name="makaleler", metric="cosine")
collection.add(ids=["doc1"], embeddings=[[0.9, 0.1, 0.0]], documents=["Merhaba"], metadatas=[{"tag": "v1"}])
res = collection.query(query_embeddings=[[0.9, 0.1, 0.0]], n_results=1, where={"tag": "v1"})
client.close()
📁 Proje Mimarisi
HisamDB/
├── hisamdb/
│ ├── __init__.py # Ana paket arayüzü (v1.0.0)
│ ├── client.py # HisamDB, PersistentClient, EphemeralClient, Snapshot & Multi-Tenant
│ ├── collection.py # Collection koordinatörü (RWLock, Optimizer, Hybrid/RAG, Tombstone, WAL, BG)
│ ├── types.py # QueryPlan, QueryResult, SearchResultItem ve özel hatalar
│ ├── metrics/ # inv_norms Kosinüs, sq_norms Öklid, Dot + opsiyonel native_simd yükleyici
│ ├── storage/ # VectorBuffer (lazy mmap), .mvdbvec, .items.mvdbcol, ikili WAL, SQLite + Snapshot
│ ├── filtering/ # Tembel ters metadata indeksi ($eq..$nin, $and/$or/$not, nested)
│ ├── quantization/ # Scalar (INT8), Float16, Binary (POPCNT), ProductQuantizer (PQ)
│ ├── indexes/ # IVF, Precomputed IVF-PQ, DiskIndex + Streaming, HNSW, QueryOptimizer
│ ├── search/ # Vektörize Okapi BM25, SparseVectorIndex, RRF/Weighted Füzyon, RAG & Multi-Tenant
│ ├── concurrency/ # RWLock, BatchQueryExecutor, BackgroundTaskManager, AsyncHisamDB
│ ├── api/ # FastAPI REST sunucusu, SHA-256 Auth/Tenant, Rate Limiter, Prometheus /metrics, HTTP SDK
│ ├── distance.py # Klasik mesafe uyumluluk cephesi -> metrics/
│ └── ivf_index.py # Klasik IVF uyumluluk cephesi -> indexes/ivf.py
├── kernels_experimental/
│ ├── hisam_simd.rs # Opsiyonel sıfır-bağımlılıklı Rust AVX2+FMA3+POPCNT çekirdeği
│ ├── avx2_dot_product.c # Referans C/AVX2 SIMD örneği
│ └── README.md # Tek komutla derleme & Python kullanımı
├── benchmarks/
│ ├── run_benchmarks*.py # Faz 1..6 (10K → 1M, 384D–1536D, Hybrid, Async, HTTP REST, Native SIMD)
│ ├── generate_charts.py # Gerçek JSON sonuçlarından 6 görsel PNG üreticisi
│ └── results/ # Ham JSON ve CSV ölçüm kayıtları
├── docs/
│ ├── assets/ # README ve rapor görselleri (6 yüksek çözünürlüklü PNG)
│ ├── API_SERVER.md # REST API, güvenlik, Prometheus, SDK ve Docker dağıtım rehberi
│ ├── RELIABILITY.md # Açık ACID garanti matrisi, WAL ve eşzamanlılık sözleşmesi
│ └── ARCHITECTURE_SCALE_RESEARCH.md # Native SIMD, GPU/CUDA ve v2.x Dağıtık Mimari araştırma raporu
├── tests/ # 90/90 birim, bütünlük, WAL, hibrit/RAG, async, stres, REST ve SIMD parite testi
├── examples/ # 7 çalışan örnek (quickstart..async..REST sunucu + SDK)
├── Dockerfile # Çok aşamalı non-root üretim imajı (HEALTHCHECK dahil)
├── docker-compose.yml # Kalıcı hacimli ve ortam yapılandırmalı Compose tanımı
├── ARCHITECTURE_AUDIT.md # Başlangıç mimari ve performans denetimi
├── BENCHMARK_REPORT.md # Tam bilimsel benchmark raporu (Faz 1..6)
├── ROADMAP.md # 6/6 fazı tamamlanmış mühendislik yol haritası
└── CHANGELOG.md # Sürüm geçmişi
🗺️ Dokümantasyon
BENCHMARK_REPORT.md— Tüm fazların tam ölçüm tabloları (10K → 1M,128D–1536D, SIMD, Hibrit RAG, Async, HTTP REST)docs/ARCHITECTURE_SCALE_RESEARCH.md— Native Rust SIMD analizi, GPU/CUDA fizibilitesi vev2.xdağıtık sharding/Raft/gRPC taslağıdocs/API_SERVER.md— FastAPI REST sunucusu, SHA-256 Auth/Tenant güvenliği, Prometheus/metrics, Python SDK ve Dockerdocs/RELIABILITY.md— Açık ACID garanti matrisi,wal_syncmodları, çökme kurtarma ve eşzamanlılık sözleşmesiARCHITECTURE_AUDIT.md— Başlangıç denetimi ve çözülen darboğazların kökeniROADMAP.md&CHANGELOG.md— Tamamlanan 6 fazın yol haritası ve sürüm notları
🧪 Test, Benchmark ve Grafik Üretimi
# Tüm testler (90/90):
python -m unittest discover -s tests -v
# Faz 6 1M / 1536D / Native SIMD benchmark paketi:
python benchmarks/run_benchmarks_v10.py
# Gerçek JSON sonuçlarından tüm grafikleri yeniden üret:
python benchmarks/generate_charts.py
# Uçtan uca demolar:
python examples/05_hybrid_rag_and_reliability.py
python examples/06_async_and_parallel.py
python examples/07_rest_server_and_sdk.py
👨💻 Geliştirici & Lisans
Ahmet GÜN · GitHub: @Ahmet003-cod
Bu proje MIT Lisansı ile lisanslanmıştır.
Metadata
Release files for hisamdb 1.0.0
For a detailed explanation of source distributions (sdists) and built distributions (wheels), please see the package formats documentation.
Source distribution (sdist)
| File | Size | Uploaded | Provenance | Actions |
|---|---|---|---|---|
| hisamdb-1.0.0.tar.gz | 166.5 kB | With provenance | Details for hisamdb-1.0.0.tar.gz |
Built distribution (wheel)
| File | Interpreter | ABI | Platform | Actions Reset |
|---|---|---|---|---|
| hisamdb-1.0.0-py3-none-any.whl | Python 3 | none | any | Details for hisamdb-1.0.0-py3-none-any.whl |
Total release size: 315.8 kB
Release files / hisamdb-1.0.0.tar.gz
| Download URL | hisamdb-1.0.0.tar.gz |
|---|---|
| Size | 166.5 kB |
| Tags | Source |
|
SHA-256 checksum How to use checksums |
abc877bf3b7065130adaa976c4bbe785543790f2ba8f05ac222b654f8c984502
|
|
BLAKE2b-256 checksum How to use checksums |
816718c7ac52bb1b390d4a2bf6d8595a840ea84a4a0c4e85f0a839d160185f4a
|
| Upload date | |
|
Uploaded using Trusted Publishing? What is trusted publishing? |
Yes |
| Uploaded via |
twine/7.0.0 CPython/3.13.16
|
Provenance
Provenance describes where a file came from. On PyPI, provenance is shared via attestations, which provide a verifiable record of the build or publishing details. View details, limitations and caveats.
PyPI Publish Attestation
PyPI verified that this artifact, at this checksum, originated from the publisher listed below.
Signed by GitHub Actions, verified by PyPI on Nov 22, 2026.
Transparency logRelease files / hisamdb-1.0.0-py3-none-any.whl
| Download URL | hisamdb-1.0.0-py3-none-any.whl |
|---|---|
| Size | 149.4 kB |
| Tags | Python 3 |
|
SHA-256 checksum How to use checksums |
469f9799b5c47c59a8cc934a206b8ebd62244e1655c621f243c3485f66f75f9a
|
|
BLAKE2b-256 checksum How to use checksums |
d7cd73a862d667530f887f3228bde926255d8b1da5eec8373a1296d71b1b399a
|
| Upload date | |
|
Uploaded using Trusted Publishing? What is trusted publishing? |
Yes |
| Uploaded via |
twine/7.0.0 CPython/3.13.16
|
Provenance
Provenance describes where a file came from. On PyPI, provenance is shared via attestations, which provide a verifiable record of the build or publishing details. View details, limitations and caveats.
PyPI Publish Attestation
PyPI verified that this artifact, at this checksum, originated from the publisher listed below.
Signed by GitHub Actions, verified by PyPI on Nov 22, 2026.
Transparency logSecurity for hisamdb 1.0.0
Provenance
Provenance describes where a file came from. On PyPI, provenance is shared via attestations, which provide a verifiable record of the build or publishing details. View details, limitations and caveats.
Full provenance
Both files in this release have been uploaded with provenance metadata.
Attestation for hisamdb-1.0.0.tar.gz
PyPI Publish Attestation
PyPI verified that this artifact, at this checksum, originated from the publisher listed below.
Signed by GitHub Actions, verified by PyPI on Nov 22, 2026.
Transparency logA note on package security
PyPI is a repository for distributing packages, not a service for auditing them. While third-party security researchers and our staff do their best to detect and remove malicious packages, PyPI cannot guarantee the quality, security or suitability of any given package.
To learn more about protecting yourself from malicious actors, visit our package security documentation.