圖形分析的概念/作用/工作原理/應(yīng)用案例

圖形分析(或圖形算法)是用于確定圖形中對象之間的關(guān)系強(qiáng)度和方向的分析工具。圖形分析的重點(diǎn)在于每次兩個(gè)對象之間的成對關(guān)系和整個(gè)圖形的結(jié)構(gòu)特征。

什么是圖形分析?

圖形分析是一種新興的數(shù)據(jù)分析形式，可幫助企業(yè)理解網(wǎng)絡(luò)或圖形中關(guān)聯(lián)實(shí)體數(shù)據(jù)之間的復(fù)雜關(guān)系。

圖形是一種數(shù)學(xué)結(jié)構(gòu)，用于對物理、生物、社會(huì)和信息系統(tǒng)中多種類型的關(guān)系和過程進(jìn)行建模。圖形由通過邊緣連接(表示這些實(shí)體之間的關(guān)系)的節(jié)點(diǎn)或頂點(diǎn)(表示系統(tǒng)實(shí)體)構(gòu)成。圖形處理是一種能夠穿梭各邊緣和節(jié)點(diǎn)的功能，用于發(fā)現(xiàn)和理解網(wǎng)絡(luò)中關(guān)聯(lián)數(shù)據(jù)之間的復(fù)雜關(guān)系和/或優(yōu)化路徑

圖形網(wǎng)絡(luò)分析有許多用途，例如分析社交網(wǎng)絡(luò)中的關(guān)系、網(wǎng)絡(luò)威脅檢測，以及根據(jù)共同偏好識(shí)別潛在買家。

在現(xiàn)實(shí)世界中，節(jié)點(diǎn)可以是人員、群組、地點(diǎn)或事物，例如客戶、產(chǎn)品、成員、城市、商店、機(jī)場、端口、銀行帳戶、設(shè)備、手機(jī)、分子或網(wǎng)頁。

節(jié)點(diǎn)之間的邊緣或關(guān)系示例包括友誼、網(wǎng)絡(luò)連接、超鏈接、道路、路線、電線、電話、電子郵件、“點(diǎn)贊”、付款、交易、電話呼叫和社交網(wǎng)絡(luò)消息。邊緣可以有一個(gè)單向箭頭來表示從一個(gè)節(jié)點(diǎn)到另一個(gè)節(jié)點(diǎn)的關(guān)系，比如 Janet“點(diǎn)贊了”Jeanette 的一篇社交媒體文章。不過，它們也可以是非定向的，比如，如果 Bob 是 Alice 的 Facebook 好友，那么 Alice 也是 Bob 的好友。

為何選擇圖形分析?

圖形分析可用于確定圖形中對象之間的關(guān)系強(qiáng)度和方向。重點(diǎn)是一次處理兩個(gè)對象之間的關(guān)系，以及整個(gè)圖形的結(jié)構(gòu)特征。道路網(wǎng)絡(luò)、通信網(wǎng)絡(luò)、社交網(wǎng)絡(luò)、網(wǎng)頁和鏈接以及金融交易數(shù)據(jù)均為非常適合圖形的數(shù)據(jù)示例。圖形分析對于實(shí)現(xiàn)以下目標(biāo)尤為有效：

檢測洗錢等金融犯罪

識(shí)別欺詐交易及活動(dòng)

在社交網(wǎng)絡(luò)社區(qū)執(zhí)行網(wǎng)紅分析

根據(jù)客戶評級(jí)或購買物來執(zhí)行推薦分析

發(fā)現(xiàn)電網(wǎng)、水網(wǎng)和運(yùn)輸網(wǎng)絡(luò)的缺點(diǎn)

優(yōu)化航空公司、零售和制造業(yè)的路線

圖形分析的工作原理是什么?

圖形分析使用聚類、分區(qū)、廣度優(yōu)先搜索、PageRank、連接組件和最短路徑等特定的圖形算法來分析多個(gè)應(yīng)用程序中實(shí)體之間的關(guān)系：

| 聚類

基于物體的對象進(jìn)行分組，因此集群內(nèi)相似度較高，集群間相似性低。應(yīng)用程序包括機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、統(tǒng)計(jì)學(xué)、圖像處理以及大量物理和社會(huì)科學(xué)應(yīng)用程序。

| 切割或分割

找到交叉邊緣最少的切口。應(yīng)用程序包括發(fā)現(xiàn)數(shù)據(jù)和通信網(wǎng)絡(luò)的薄弱點(diǎn)，以及社交網(wǎng)絡(luò)中的社區(qū)檢測。

| 搜索

廣度優(yōu)先搜索和深度優(yōu)先搜索。

| 最短路徑

找到兩個(gè)興趣節(jié)點(diǎn)之間的最短路徑。應(yīng)用程序包括社交網(wǎng)絡(luò)分析、交通運(yùn)輸物流和許多其他優(yōu)化問題。

| 最寬路徑

在加權(quán)圖形中找到兩個(gè)指定頂點(diǎn)之間的路徑，從而將路徑中最小權(quán)重邊緣的權(quán)重更大化。應(yīng)用程序包括 IP 流量路由和流量敏感型路線規(guī)劃。

| 連接組件

強(qiáng)連接圖形就是您從任何起始節(jié)點(diǎn)開始均可到達(dá)圖形中每個(gè)節(jié)點(diǎn)的圖形。強(qiáng)連接組件是各個(gè)子區(qū)域均強(qiáng)連接的圖形的最大子區(qū)域。應(yīng)用程序包括社交網(wǎng)絡(luò)分析。

| 頁面排名

一種由互聯(lián)網(wǎng)搜索用于網(wǎng)頁排名的衡量網(wǎng)頁受歡迎程度的方法。應(yīng)用程序還包括社交網(wǎng)絡(luò)分析、推薦系統(tǒng)以及在自然科學(xué)(研究蛋白質(zhì)之間的關(guān)系時(shí))和生態(tài)網(wǎng)絡(luò)中的新用途。

熱門圖形分析用例

創(chuàng)建推薦系統(tǒng) 通過識(shí)別客戶、社交媒體和產(chǎn)品數(shù)據(jù)之間的關(guān)系和頻率，公司可以創(chuàng)建智能推薦引擎，實(shí)時(shí)響應(yīng)客戶的在線活動(dòng)。

檢測欺詐。圖形分析支持您以極大的靈活性大規(guī)模地建模數(shù)據(jù)關(guān)系，快速分析大量交易數(shù)據(jù)，實(shí)時(shí)識(shí)別欺詐。

遵守監(jiān)管規(guī)定。遵守 HIPAA、PCI/DSS 和 GDPR 等法規(guī)關(guān)系到各行各業(yè)的企業(yè)。在收集客戶個(gè)人信息時(shí)，這些法規(guī)要求您在這些數(shù)據(jù)通過各種企業(yè)系統(tǒng)傳輸時(shí)能夠監(jiān)控這些數(shù)據(jù)。圖形分析能夠?yàn)槟峁┝鹘?jīng)不同系統(tǒng)的數(shù)據(jù)的直觀表示，使得在企業(yè)系統(tǒng)中追蹤敏感數(shù)據(jù)更加容易。這就會(huì)為您提供一種實(shí)現(xiàn)合規(guī)性的簡化方法。

身份認(rèn)證與訪問管理 (IAM)。確定哪些人可以進(jìn)入敏感的應(yīng)用程序和數(shù)據(jù)(基于云和內(nèi)部部署)是一個(gè)復(fù)雜的過程。圖形分析能夠?qū)λ斜匾臄?shù)據(jù)進(jìn)行更加穩(wěn)健、實(shí)時(shí)的跨平臺(tái)管理，從而確定數(shù)據(jù)之間的關(guān)系并加速安全可靠的身份認(rèn)證與訪問管理。

深入了解供應(yīng)鏈效率。隨著全球化的發(fā)展，企業(yè)供應(yīng)鏈變得更加復(fù)雜。借助圖形分析，您可以為這些復(fù)雜的關(guān)系建模，并深入了解供應(yīng)鏈運(yùn)營中效率低下的問題。

構(gòu)建推薦系統(tǒng)

檢測欺詐

借助 GPU 加速圖形分析

網(wǎng)絡(luò)分析、基因組學(xué)、社交網(wǎng)絡(luò)分析等領(lǐng)域的大規(guī)模圖形處理需要強(qiáng)大且高效的計(jì)算性能。

GPU 具有大規(guī)模并行性，并且顯存訪問帶寬優(yōu)勢顯著，因此十分適用于加速數(shù)據(jù)密集型分析，特別是圖形分析。GPU 采用大規(guī)模并行架構(gòu)，包含數(shù)千個(gè)專為同時(shí)處理多個(gè)任務(wù)而設(shè)計(jì)的小核心，非常適合執(zhí)行“為每個(gè) X 執(zhí)行 Y”的計(jì)算任務(wù)，可應(yīng)用于大型圖形中的頂點(diǎn)或邊緣集。

借助 RAPIDS CUGRAPH 加速 NETWORKX

NVIDIA RAPIDS cuGraph 能夠提供將 RAPIDS 生態(tài)系統(tǒng)與熱門的 python 圖形庫 NetworkX 相集成的加速圖形分析庫。RAPIDS cuGraph 的愿景是使圖形分析無處不在，以便用戶只需考慮分析而無需考慮技術(shù)或框架。

新款 NVIDIA GPU 的強(qiáng)大計(jì)算能力實(shí)現(xiàn)更快的加快圖形分析速度。此外，GPU 的內(nèi)部顯存速率使 cuGraph 能夠快速切換數(shù)據(jù)結(jié)構(gòu)，滿足分析需求，而不限于單一數(shù)據(jù)結(jié)構(gòu)。

通過有效利用 GPU 中的大規(guī)模并行性，RAPIDS 的圖形算法能夠?qū)⒋笮蛨D形的分析速度提高 1000 多倍。在單塊 A100 GPU 上探索多達(dá) 2 億個(gè)邊緣節(jié)點(diǎn)，并在 DGX A100 集群上擴(kuò)展至數(shù)十億個(gè)邊緣節(jié)點(diǎn)。

NVIDIA GPU 加速的端到端數(shù)據(jù)科學(xué)

NVIDIA RAPIDS 結(jié)合了執(zhí)行高速 ETL、圖形分析、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的能力。這套完全在 GPU 上執(zhí)行數(shù)據(jù)科學(xué)流程的開源軟件庫和 API，可以將訓(xùn)練時(shí)間從幾天縮短至幾分鐘。它依賴于 NVIDIA CUDA 基元進(jìn)行低級(jí)別計(jì)算優(yōu)化，但通過用戶友好型 Python 界面實(shí)現(xiàn) GPU 并行結(jié)構(gòu)和極高的顯存帶寬。

RAPIDS cuGraph 無縫集成到 RAPIDS 數(shù)據(jù)科學(xué)生態(tài)系統(tǒng)中，使數(shù)據(jù)科學(xué)家能夠使用存儲(chǔ)在 GPU DataFrame 中的數(shù)據(jù)輕松調(diào)用圖形算法。借助 RAPIDS GPU DataFrame，數(shù)據(jù)可以通過一個(gè)類似 Pandas 的接口加載到 GPU 上，然后用于各種連接的機(jī)器學(xué)習(xí)和圖形分析算法，而無需離開 GPU。這種級(jí)別的互操作性是通過 Apache Arrow 這樣的庫實(shí)現(xiàn)的。從數(shù)據(jù)準(zhǔn)備到機(jī)器學(xué)習(xí)，再到深度學(xué)習(xí)，它可加速端到端流程。RAPIDS 和 DASK 使 cuGraph 能夠擴(kuò)展為多個(gè) GPU，支持?jǐn)?shù)十億個(gè)邊緣圖形。

原文標(biāo)題：NVIDIA 大講堂 | 什么是圖形分析?

文章出處：【微信公眾號(hào)：NVIDIA英偉達(dá)】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。