跳转至

图建模设计

本文介绍在 Nebula Graph 项目中成功应用的一些图建模和系统设计的通用建议。

Note

本文建议是通用的,在特定领域有例外,请结合实际业务情况进行图建模。

以性能为第一目标进行建模

目前 Nebula Graph 没有完美的建模方法,如何建模取决于想从数据中挖掘的内容。分析数据并根据业务模型创建方便直观的数据模型,测试模型并优化,逐渐适应业务。为了更好的性能,用户可以多次更改或重新设计模型。

设计和评估最重要的查询语句

在测试环节中,通常会验证各种各样的查询语句,以全面评估系统能力。但在大多数生产场景下,每个集群被频繁调用的查询语句的类型并不会太多;根据 20-80 原则,针对重要的查询语句进行建模优化。

Tag 与 Edge type 之间没有绑定关系

任何 Tag 可以与任何 Edge type 相关联,完全交由应用程序控制。不需要在 Nebula Graph 中预先定义,也没有命令获取哪些 Tag 与哪些 Edge type 相关联。

Tag/Edge type 预先定义了一组属性

建立 Tag(或者 Edge type)时,需要指定对应的属性。通常称为 Schema。

区分“经常改变的部分”和“不经常改变的部分”

改变指的是业务模型和数据模型上的改变(元信息),不是数据自身的改变。

一些图数据库产品是 schema-free 的设计,所以在数据模型上,不论是图拓扑结构还是属性,都可以非常自由。属性可以建模转变为图拓扑,反之亦然。这类系统通常对于图拓扑的访问有特别的优化。

而 Nebula Graph 2.6.1 是强 Schema 的(行存型)系统,这意味着业务数据模型中的部分是“不应该经常改变的”,例如属性 Schema 应该避免改变。类似于 MySQL 中 ALTER TABLE 是应该尽量避免的操作。

而点及邻边可以非常低成本的增删,因此可以将业务模型中“经常改变的部分”建模成点或边(关系),而不是属性 Schema。

例如,在一个业务模型中,人的属性是相对固定的,例如“年龄”,“性别”,“姓名”。而“通信好友”,“出入场所”,“交易账号”,“登录设备”等是相对容易改变的。前者适合建模为属性,后者适合建模为点或边。

广度优先大于深度优先

  • Nebula Graph 基于图拓扑结构进行深度图遍历的性能较低,广度优先遍历以及获取属性的性能较好。例如,模型 a 包括姓名、年龄、眼睛颜色三种属性,建议创建一个 Tagperson,然后为它添加姓名、年龄、眼睛颜色的属性。如果创建一个包含眼睛颜色的 Tag 和一个 Edge typehas,然后创建一个边用来表示人拥有的眼睛颜色,这种建模方法会降低遍历性能。
  • “通过边属性获取边”的性能与“通过点属性获取点”的性能是接近的。在一些数据库中,会建议将边上的属性重新建模为中间节点的属性:例如 (src)-[edge {P1, P2}]->(dst)edge 上有属性 P1, P2,会建议建模为 (src)-[edge1]->(i_node {P1, P2})-[edge2]->(dst)。在 Nebula Graph 2.6.1 中可以直接使用 (src)-[edge {P1, P2}]->(dst),减少遍历深度有助于性能。

边的方向

查询时,如果需要使用边的逆向查询,可以用如下语法:

(dst)<-[edge]-(src) 或者 GO FROM dst REVERSELY;

如果不关心边的方向,可以使用如下语法:

(src)-[edge]-(dst) 或者 GO FROM src BIDIRECT;

因此,通常同一条边没有必要反向再冗余插入一次。

合理设置 Tag 属性

在图建模中,请将一组类似的平级属性放入同一个 Tag,即按不同概念进行分组。

正确使用索引

使用属性索引可以通过属性查找到 VID。但是索引会导致写性能下降 90%甚至更多,只有在根据点或边的属性定位点或边时才使用索引。

合理设计 VID

参考点 VID 一节

长文本

为边创建属性时请勿使用长文本:这些属性会被存储 2 份,导致写入放大问题(write amplification)。此时建议将长文本放在 HBase/ES 中,将其地址存放在 Nebula Graph 中。

不能支持动态图(时序图)

在某些场景下,图需要同时带有时序信息,以描述整个图的结构随着时间变化的情况 1

Nebula Graph 2.6.1 的边可以使用 Rank 字段存放时间信息 (int64),但是点上没有字段可以存放时间信息(存放在属性会被新写入覆盖)。因此不能支持动态时序图。

image


  1. https://blog.twitter.com/engineering/en_us/topics/insights/2021/temporal-graph-networks 


最后更新: November 24, 2021
Back to top