Что такое графовая база данных?

Термин «граф» пришел из области математики. Граф содержит набор узлов и ребер.

Узлы – это вертикали, в которых хранятся объекты данных. Каждый узел может иметь неограниченное количество связей и их типов.

Ребра обозначают связи между узлами. Например, ребра могут описывать взаимосвязи типа «предок‑потомок», действия или права владения. Они могут представлять собой отношения как «один ко многим», так и «многие ко многим». Ребро всегда имеет начальный и конечный узел, тип и направление.

Каждый узел имеет свойства или атрибуты, описывающие его. В некоторых случаях ребра также обладают свойствами. Графы со свойствами также называются графами свойств.

Графовые базы данных имеют ряд преимуществ в таких примерах использования, как социальные сети, сервисы рекомендаций и системы выявления мошенничества, когда требуется создавать взаимосвязи между данными и быстро их запрашивать.

Графовые базы данных позволяют предотвращать сложные схемы мошенничества. Например, вы можете использовать отношения в графовых базах данных для обработки финансовых операций в режиме, близком к реальному времени. С помощью быстрых запросов к графу можно определить, что потенциальный покупатель использует тот же адрес электронной почты и кредитную карту, которые уже использовались в известном случае мошенничества. Графовые базы данных также позволяют выявлять мошенничество с помощью моделей взаимосвязей, например когда несколько человек связаны с одним персональным адресом электронной почты или когда несколько человек используют один IP‑адрес, но проживают по разным физическим адресам.

Графовая модель – хороший выбор для приложений, предоставляющих рекомендации. Вы можете хранить в графе взаимосвязи между такими информационными категориями, как интересы покупателя, его друзья и история его покупок. С помощью высокодоступной графовой базы данных можно рекомендовать пользователям товары на основании того, какие товары приобретали другие пользователи со схожими интересами и аналогичной историей покупок. Также можно найти людей, у которых есть общий знакомый, но которые еще не знакомы друг с другом, и предложить им подружиться.

Задачи оптимизации маршрутов предполагают анализ набора данных и поиск значений, которые наилучшим образом подходят для конкретного сценария. Например, можно использовать графовую базу данных для поиска следующих параметров.

• Кратчайший маршрут из точки А в точку Б на карте с учетом различных путей.
• Подбор подходящего сотрудника для конкретной рабочей смены на основе анализа различных возможностей, местоположения и навыков.
• Подбор оптимального оборудования для работы с учетом таких параметров, как стоимость и срок службы оборудования.

С помощью графовых запросов такие ситуации можно анализировать гораздо быстрее, подсчитывая и сравнивая количество связей между двумя узлами.

Графовые базы данных хорошо подходят для обнаружения сложных взаимосвязей и скрытых закономерностей в данных. Например, компания, занимающаяся социальными сетями, использует графовую базу данных для различения аккаунтов ботов и реальных людей. Система анализирует активность аккаунтов, чтобы обнаружить связи между взаимодействием аккаунтов и активностью ботов.

Графовые базы данных предлагают методы интеграции данных, связанные данные и обмен информацией. Они представляют сложные метаданные или концепции домена в стандартизированном формате и обеспечивают богатую семантику для обработки естественного языка. Эти базы данных можно также использовать для построения графов знаний и управления основными данными. Например, алгоритмы машинного обучения различают тропические леса Амазонки и бренд Amazon, используя графовые модели.

Графовая база данных специально создана для управления данными с высокой степенью взаимосвязи. По мере роста взаимосвязанности и объема современных данных графовые базы данных предоставляют возможность экономически эффективно использовать и анализировать эти данные. Приведем три основных преимущества графовой аналитики.

Схема и структура графовых моделей могут меняться в зависимости от приложений. Аналитики данных могут добавлять или изменять существующие структуры графов без влияния на существующие функции и необходимости заранее моделировать домены.

Модели реляционных баз данных становятся менее оптимальными по мере увеличения объема и глубины связей. В результате возникает дублирование и избыточность данных – для обнаружения результатов запроса требуется обработка нескольких таблиц. Напротив, производительность графовых баз данных при запросах к взаимосвязям возрастает на несколько порядков. Производительность остается постоянной даже при увеличении объема данных графа.

Графовые запросы генерируют те же отчеты короче и эффективнее по сравнению с реляционными базами данных. Графовые технологии используют преимущества связанных узлов. Обход соединений или взаимосвязей выполняется очень быстро, поскольку взаимосвязи между узлами не вычисляются во время выполнения запроса, а хранятся в базе данных.

Графовые базы данных работают с использованием стандартизированного языка запросов и графовых алгоритмов.

Языки графовых запросов используются для взаимодействия с графовой базой данных. Как и в SQL, в этом языке есть функции добавления, редактирования и запроса данных. Однако такие языки используют преимущества базовых графовых структур для эффективной обработки сложных запросов. Они предоставляют интерфейс, позволяющий задавать различные вопросы. Примеры таковых смотрите ниже.

• Количество переходов между узлами
• Самый длинный путь / кратчайший путь / оптимальные пути
• Значение узлов

Apache TinkerPop Gremlin, SPARQL и openCypher – популярные языки графовых запросов.

Графовые алгоритмы – это операции, которые анализируют отношения и поведение во взаимосвязанных данных. Например, они исследуют расстояние и пути между узлами или анализируют входящие ребра и соседние узлы для создания отчетов. Алгоритмы могут определять общие закономерности, аномалии, сообщества и пути, соединяющие элементы данных. Примеры графовых алгоритмов приведены ниже.

Специальная графовая база данных обеспечивает наибольшую ценность при работе с тесно связанными наборами и любых анализах, требующих поиска скрытых и явных взаимосвязей. Если это не подходит для вашего случая, то, возможно, лучше использовать другие типы баз данных.

Например, представьте себе сценарий, в котором необходимо вести учет товарных запасов по позициям. Вам нужно сохранить только такие сведения, как название товара и его количество. Поскольку вам не нужно сохранять дополнительную информацию, столбцы в таблице не изменятся. В силу табличной структуры реляционная база данных лучше подходит для таких несвязанных данных.

Также важно не использовать графовые базы данных просто в качестве хранилищ ключ-значение. Результат поиска по известному ключу не выполняет в полной мере ту функцию, для которой создавались графовые базы данных.

В основе Amazon Neptune лежит специально созданное высокопроизводительное ядро графовой базы данных, оптимизированное для хранения миллиардов взаимосвязей и выполнения запросов к графу с задержками на уровне миллисекунд. Neptune поддерживает популярные графовые модели, в частности граф свойств и фреймворк описания ресурсов W3C (RDF). Сервис также поддерживает языки запросов Apache TinkerPop Gremlin и SPARQL, что дает возможность создавать запросы и эффективно работать с тесно связанными наборами данных. Основные функции Neptune перечислены ниже.

• Бессерверность: мгновенно масштабируйте графовые рабочие нагрузки с точным приростом и экономьте до 90 % затрат на базы данных по сравнению с выделением ресурсов для обеспечения максимальной емкости.
• Высокая доступность, в том числе Глобальная база данных Amazon Neptune для распределенных глобальных приложений, поддерживающих высокую производительность локального чтения.
• Разделение хранения и вычислений: повысьте производительность чтения с использованием до 15 реплик чтения, работающих с одним и тем же базовым хранилищем, без необходимости выполнять запись на узлах реплик.
• Высокая надежность и долговечность: отказоустойчивое и самовосстанавливающееся хранилище, восстановление на момент времени, непрерывное резервное копирование и многие другие функции. Amazon Neptune обеспечивает долговечность данных в трех зонах доступности в пределах одного региона за счет репликации новых записей шестью способами. При этом вы платите только за одну копию.
• Высокая степень защиты: стандартное шифрование при хранении, сетевая изоляция и расширенный аудит, а также возможности управления разрешениями на уровне ресурсов и точный доступ.
• Широкий охват соответствия стандартам: FedRAMP (Moderate и High), SOC (1, 2 и 3), а также HIPAA.
• Полная управляемость: при работе с базами данных больше не требуется заниматься такими административными задачами, как подготовка оборудования, установка исправлений ПО, установка и настройка самой базы данных, а также ее резервное копирование.

Начните работу с графовыми базами данных в AWS, создав бесплатный аккаунт уже сегодня.