智能圖和分離的智能圖介紹

當圖表的數(shù)據(jù)集超出您可以在單個ArangoDB實例上托管的限制時，您需要進行擴展。但是，通過集群對圖進行分片會帶來新的問題。使用標準圖時，遍歷可能涉及數(shù)據(jù)庫服務(wù)器之間的許多網(wǎng)絡(luò)躍點。隨著邊緣將遍歷帶到不同的機器上，性能會變差。

SmartGraphs和DisjointSmartGraphs 通過優(yōu)化分片之間的數(shù)據(jù)分布來解決這個問題，減少需要網(wǎng)絡(luò)跳到其他服務(wù)器的邊數(shù)。

用圖表縮放

ArangoDB的社區(qū)版可以在單個實例上處理大型數(shù)據(jù)集，讓您可以毫無問題地垂直擴展。它還可以處理水平擴展到具有所有三個數(shù)據(jù)模型的集群。但是，在水平擴展時，您可能會開始遇到性能問題，您可以通過集群對圖進行分片。

想象一個處理大型數(shù)據(jù)集的圖表，例如您可能在物聯(lián)網(wǎng)、金融、通信、醫(yī)療保健或基因組學(xué)應(yīng)用程序中找到的數(shù)據(jù)。數(shù)據(jù)的自然分布涉及一系列高度互聯(lián)的社區(qū)，這些社區(qū)之間有許多邊緣。

圖1：3臺機器上沒有SmartGraphs的圖形分片

遍歷這種規(guī)模的圖可以帶您穿過數(shù)十億甚至數(shù)萬億個頂點。單臺機器上容納的數(shù)據(jù)量太多了，每當邊緣將您從一臺機器帶到另一臺機器時，網(wǎng)絡(luò)連接上的性能瓶頸。如果第二臺機器上的優(yōu)勢讓你回到第一臺或第三臺，它會變得更糟。遍歷所需的網(wǎng)絡(luò)跳數(shù)越多，網(wǎng)絡(luò)延遲就越大，與內(nèi)存計算相比，這可能會變得非常昂貴。最終，性能會下降到不再適合您給定用例的程度。

使用SmartGraphs進行縮放

遍歷分片圖時的性能問題與網(wǎng)絡(luò)延遲有關(guān)。您的遍歷需要的網(wǎng)絡(luò)跳數(shù)越多，您從水平擴展中獲得的收益就越少。使用ArangoDB企業(yè)版，您可以從SmartGraphs中受益，通過使用應(yīng)用層的智能解決遍歷的網(wǎng)絡(luò)延遲問題。

圖對自己一無所知。但是，您的應(yīng)用程序?qū)D表了解很多。在許多數(shù)據(jù)集中，存在高度互聯(lián)的社區(qū)，但這些社區(qū)之間的聯(lián)系很少。例如，涵蓋您的客戶、區(qū)域或您在應(yīng)用程序?qū)咏M織圖表的任何其他邏輯的集合又可以用于通過集群對圖表進行分片。

SmartGraphs使用應(yīng)用程序?qū)拥闹悄苄詠韮?yōu)化它通過集群對數(shù)據(jù)進行分片的方式。例如，適合您的主要查詢的客戶ID、區(qū)域或任何其他邏輯。借助這種智能，您可以將圖表中高度連接的社區(qū)分割到特定實例。

圖3：使用ArangoDBSmartGraph 的分片圖

通過優(yōu)化數(shù)據(jù)分布，SmartGraphs減少了遍歷所需的網(wǎng)絡(luò)跳數(shù)。內(nèi)部測試顯示，在遍歷分片圖時性能提升了40-120倍。

不相交的智能圖

對于某些用例，您可以使用DisjointSmartGraphs 進一步優(yōu)化。DisjointSmartGraphs是針對必須處理大型分層圖或針對多個客戶圖的整體分析的用例的優(yōu)化。在這兩種情況下，您的圖形數(shù)據(jù)集中都有明顯分離的分支。

DisjointSmartGraphs 啟用這些分支的自動分片并禁止連接它們的邊。這允許查詢優(yōu)化器將整個查詢執(zhí)行下推到每個DBserver，并大大提高圖查詢的性能，如遍歷、模式匹配、最短和k最短路徑。

ArangoDB企業(yè)版用戶現(xiàn)在可以處理完整的新用例或進一步優(yōu)化當前基于圖形的應(yīng)用程序。
責(zé)任編輯：彭菁