Freigeben über

Übersicht über die Graph-Semantik

Gilt für: ✅Microsoft Fabric

Mit der Graph-Semantik können Sie Daten als miteinander verbundene Netzwerke modellieren und abfragen. Ein Diagramm besteht aus Knoten (Entitäten) und Kanten (Beziehungen), die sie verbinden. Sowohl Knoten als auch Kanten können Eigenschaften enthalten, wodurch ein umfangreiches Datenmodell für komplexe Beziehungen erstellt wird.

Graphen sind hervorragend geeignet, um komplexe Daten mit viele-zu-viele-Beziehungen, hierarchischen Strukturen oder vernetzten Verbindungen darzustellen, z. B. soziale Netzwerke, Empfehlungssysteme, verbundene Objekte und Wissensgraphen. Im Gegensatz zu relationalen Datenbanken, die Indizes und Verknüpfungen erfordern, um Daten über Tabellen hinweg zu verbinden, verwenden Graphen eine direkte Nähe zwischen Knoten, wodurch eine schnelle und intuitive Durchquerung von Beziehungen ermöglicht wird.

Das folgende Diagramm zeigt ein Szenario für Cybersicherheitsangriffe. Knoten stellen Entitäten wie externe Quellen, Benutzer und kritische Ressourcen dar, während Edges Aktionen oder Beziehungen darstellen, die eine potenzielle Angriffssequenz bilden.

Diagramm, das das Cybersicherheitsszenario einschließlich Phishing-E-Mails und Pfad zum Zugriff auf eine vertrauliche Datenbank zeigt.

Graph-Abfragen nutzen die Diagrammstruktur, um anspruchsvolle Vorgänge wie das Suchen von Pfaden, Mustern, kürzesten Entfernungen, Communitys und Zentralitätsmaßnahmen durchzuführen. Diese Funktionen machen Diagramme leistungsfähig zum Modellieren von Beziehungen, Interaktionen, Abhängigkeiten und Flüssen über Domänen hinweg – einschließlich sozialer Netzwerke, Lieferketten, IoT-Gerätenetzwerke, digitale Zwillinge, Empfehlungssysteme und Organisationsstrukturen.

Die folgende Abbildung zeigt ein Supply Chain-Szenario, in dem Knoten Lieferanten, Hersteller und Distributoren darstellen und Ränder Versorgungsbeziehungen darstellen. In diesem Beispiel wird veranschaulicht, wie Graphen Flüsse und Abhängigkeiten in verschiedenen Geschäftskontexten modellieren.

Grafik von zwei Lieferanten, Hersteller und Distributor und der Lieferbeziehung.

Warum Graphsemantik verwenden?

Graph-Funktionen bieten erhebliche Vorteile, indem vorhandene Dateninvestitionen genutzt werden, während komplexe Beziehungsmodellierung hinzugefügt wird:

  • Keine Datenmigration erforderlich – Erstellen Von Diagrammmodellen direkt aus aktuellen Daten ohne Duplizierung.
  • Kostengünstige Lösung – Beseitigt die Komplexität und Kosten dedizierter Graph-Datenbanken.
  • Zeitliche Analyseunterstützung – Als Zeitreihendatenbank können Sie natürlich analysieren, wie sich Graphen im Laufe der Zeit entwickeln.
  • Ereignisbasierte Modellierung – Modelliert Graphen als Sequenzen von Beziehungsereignissen und orientiert sich an starken Ereignisverarbeitungsfähigkeiten.
  • Nahtlose KQL-Integration – Graph-Operatoren arbeiten zusammen mit allen vorhandenen KQL-Funktionen mit vollständiger IntelliSense-Unterstützung.

Dieser Ansatz bietet die Modellierung von Beziehungen auf Unternehmensniveau , während die Leistung, Skalierung und eine vertraute Schnittstelle beibehalten werden. Organisationen können komplexe miteinander verbundene Daten über Domänen hinweg analysieren – von Lieferketten und Organisationshierarchien bis hin zu IoT-Gerätenetzwerken und sozialen Beziehungen – ohne zusätzliche Infrastrukturinvestitionen.

Vorübergehender Erstellungsansatz für Diagramme

Vorübergehende Diagramme werden dynamisch mithilfe des make-graph Operators erstellt. Diese Diagramme sind während der Abfrageausführung im Arbeitsspeicher vorhanden und werden automatisch verworfen, wenn die Abfrage abgeschlossen ist.

Wichtige Merkmale

  • Dynamische Erstellung – Erstellt aus tabellarischen Daten mithilfe von KQL-Abfragen mit der gesamten Struktur, die sich im Arbeitsspeicher befindet
  • Sofortige Verfügbarkeit – Keine Vorverarbeitungs- oder Setupanforderungen
  • Arbeitsspeichereinschränkungen – Die Graph-Größe ist durch den verfügbaren Arbeitsspeicher auf Clusterknoten begrenzt.
  • Leistungsfaktoren – Graph-Topologie und Eigenschaftengrößen bestimmen die Speicheranforderungen

Dieser Ansatz ist optimal für kleinere bis mittelgroße Datasets, bei denen eine sofortige Analyse erforderlich ist.

Anwendungsfälle für vorübergehende Diagramme

Flüchtige Graphen sind in verschiedenen Szenarien besonders effektiv:

  • Ad-hoc-Analyse – einmalige Untersuchungen, die eine schnelle Musterprüfung erfordern
  • Explorative Datenanalyse - Testen von Hypothesen und Validieren analytischer Ansätze
  • Kleine bis mittlere Datasets – Echtzeitanalyse von aktuellen Ereignissen oder fokussierten Datenuntermengen
  • Schnelle Prototyperstellung – Testen von Diagrammmustern vor der Implementierung persistenter Modelle
  • Dynamische Datenanalyse – Häufig ändernde Daten, die den beständigen Speicher nicht rechtfertigen

Allgemeine Anwendungen umfassen echtzeitbasierte IoT-Überwachung, Lieferkettenbeziehungsanalyse, Kundenreisezuordnung und jedes Szenario, das eine sofortige Visualisierung von Entitätsbeziehungen erfordert.

Ansatz zur Erstellung dauerhafter Diagramme

Persistente Diagramme verwenden Graphmodelle und Diagrammmomentaufnahmen , um robuste Lösungen für umfangreiche, komplexe Diagramme bereitzustellen, die Organisationsnetzwerke, Lieferketten, IoT-Ökosysteme, digitale Zwillinge und andere miteinander verbundene Datendomänen darstellen.

Wichtige Merkmale für persistente Diagramme

  • Persistenter Speicher – Graph-Modelle und Momentaufnahmen werden in Datenbankmetadaten zur Dauerhaftigkeit und Konsistenz gespeichert.
  • Skalierbarkeit – Behandeln von Diagrammen, die Speicherbeschränkungen überschreiten, mit Analysefunktionen im Unternehmensmaßstab
  • Wiederverwenden : Mehrere Benutzer können dieselbe Struktur abfragen, ohne dass sie neu erstellt werden müssen, wodurch die Analyse der Zusammenarbeit ermöglicht wird.
  • Leistungsoptimierung – Vermeiden der Graph-Konstruktionslatenz für wiederholte Abfragen
  • Versionssteuerelement – Mehrere Momentaufnahmen stellen Diagramme zu unterschiedlichen Zeitpunkten für die verlaufsbezogene Analyse dar.
  • Schemaunterstützung – Strukturierte Definitionen für verschiedene Entitätstypen und deren Eigenschaften

Die Schemafunktion unterstützt sowohl statische Beschriftungen (im Diagrammmodell vordefiniert) als auch dynamische Beschriftungen (die zur Laufzeit aus Daten generiert werden) und bieten Flexibilität für komplexe Umgebungen mit unterschiedlichen Entitätstypen.

Anwendungsfälle für dauerhafte Diagramme

Dauerhafte Diagramme sind für Folgendes unerlässlich:

  • Unternehmensanalysen – Kontinuierliche Überwachung von Workflows in komplexen Netzwerken
  • Datenanalyse im großen Maßstab – Unternehmensskaladiagramme mit Millionen von Knoten und Beziehungen
  • Gemeinsame Analyse – Mehrere Teams, die mit gemeinsam genutzten Diagrammstrukturen arbeiten
  • Produktionsworkflows – Automatisierte Systeme, die einen konsistenten Graph-Zugriff erfordern
  • Historischer Vergleich - Zeitbasierte Analyse der Graph-Evolution und -Änderungen
Beispiel: Digital Twin Persistent Graph

Ein Diagramm, das das Beispiel für die digitale Zwillingsfabrik mit Gerätebeziehungen und Geräteabhängigkeiten zeigt.

In Szenarien für digitale Zwillinge und IoT unterstützen persistente Diagramme eine regelmäßige Analyse von Gerätebeziehungen, Geräteabhängigkeiten und Systementwicklung im Laufe der Zeit. Die historische Analyse ermöglicht das Vergleichen von Systemzuständen über verschiedene Zeiträume hinweg, das Nachverfolgen der Entwicklung von Ressourcen und die Durchführung langfristiger Trendanalysen.

Beispiel: IoT und digital twin persistent graph

IoT- und Digital Twin-Anwendungen profitieren erheblich von persistenten Graphen beim Modellieren komplexer Beziehungen zwischen physischen Geräten und ihrer virtuellen Darstellungen über verteilte Systeme hinweg. Diese Diagramme ermöglichen Organisationen folgendes:

  • Erstellen umfassender Modelle von IoT-Bereitstellungen und verbundenen Ressourcen
  • Unterstützung von Echtzeitüberwachung, predictive Maintenance und Leistungsoptimierung
  • Analysieren von Geräteabhängigkeiten und Identifizieren potenzieller Fehlerpunkte
  • Optimieren von Sensorplatzierungen durch physikalisches und logisches Topologieverständnis
  • Nachverfolgen von Gerätekonfigurationen, Kommunikations- und Leistungsmerkmalen im Laufe der Zeit
  • Erkennen von Kommunikationsmusteranomalien und Visualisieren der Entwicklung intelligenter Umgebungen
  • Simulieren von Betriebsbedingungen vor der Implementierung von Änderungen der physischen Infrastruktur

Dieser dauerhafte Ansatz ist für die Verwaltung komplexer IoT-Ökosysteme im großen Maßstab unschätzbar.

Graph-Abfragefunktionen

Nachdem ein Diagramm erstellt wurde (über make-graph oder aus einer Momentaufnahme), können Sie die vollständige Suite von KQL-Diagrammoperatoren für eine umfassende Analyse nutzen:

Kernoperatoren:

  • graph-match – Ermöglicht komplexe Musterabgleichs- und Traversalvorgänge zum Identifizieren komplexer Beziehungssequenzen
  • graph-shortest-paths – Sucht optimale Pfade zwischen Entitäten, hilft bei der Priorisierung von Verbindungen und der Identifizierung kritischer Beziehungen
  • graph-to-table - Wandelt Diagrammanalyseergebnisse in tabellarische Formate für die Integration in vorhandene Systeme um.

Erweiterte Analysefunktionen:

  • Zeitbasierte Analyse – Untersuchen der Entwicklung von Beziehungen und Mustern im Laufe der Zeit
  • Geospatialintegration – Kombinieren von Diagrammdaten mit standortbasierter Intelligenz für die Analyse geografischer Muster
  • Integration von Maschinellem Lernen – Anwenden von Algorithmen für Entitätsclustering, Musterklassifizierung und Anomalieerkennung

Diese Funktionen unterstützen vielfältige Anwendungsfälle, einschließlich Customer Journey-Analyse, Produktempfehlungssysteme, IoT-Netzwerke, digitale Zwillinge und Wissensdiagramme.

Auswählen des richtigen Ansatzes

Die folgende Entscheidungsstruktur hilft Ihnen bei der Auswahl des am besten geeigneten Graph-Erstellungsansatzes basierend auf Ihren spezifischen Anforderungen und Einschränkungen.

Entscheidungsstruktur: Vorübergehende und persistente Diagramme

Flussdiagramm, das einen Entscheidungsbaum zeigt, wann persitente oder flüchtige Diagramme verwendet werden sollen.

Wann man transiente Diagramme verwendet

Wählen Sie vorübergehende Diagramme für:

  • Graph-Größe unter 10 Millionen Knoten und Kanten (für optimale Leistung)
  • Einzelbenutzer- oder kleine Teamanalyse mit minimalen Anforderungen an die Zusammenarbeit
  • Einmalige oder explorative Untersuchungen , bei denen sofortige Ergebnisse erforderlich sind
  • Echtzeit-Datenanalyse , die aktuelle Zustandsinformationen erfordert
  • Schnelle Prototyperstellung und Tests von Diagrammmustern und Abfragelogik

Während vorübergehende Diagramme größere Datasets verarbeiten können, erhöht sich die Abfrageausführungszeit, da das Diagramm für jede Abfrage rekonstruiert werden muss. Berücksichtigen Sie diesen Leistungskonflikt beim Arbeiten mit größeren Datasets.

Wann beständige Diagramme verwendet werden sollen

Wählen Sie persistente Diagramme für:

  • Graph-Größe über 10 Millionen Knoten und Kanten , bei denen verteilter Speicher vorteilhaft ist
  • Mehrere Teams benötigen gemeinsamen Zugang für kollaborative Analysen
  • Wiederholte Analyse von stabilen Datasets , bei denen sich die Baulatenz auf die Produktivität auswirkt
  • Integration von Produktionsworkflows , die einen konsistenten, zuverlässigen Graphzugriff erfordert
  • Historische Vergleichsanforderungen für das Nachverfolgen von Änderungen im Laufe der Zeit
  • Einschränkungen bei der Arbeitsspeicherkapazität , die sich auf die Abfrageleistung auswirken
  • Workflows für die zusammenarbeitende Ermittlung über Teams und Zeitzonen hinweg

Beständige Diagramme sind wichtig, wenn Sie mit Daten im Unternehmensmaßstab arbeiten oder wenn sich Speicherbeschränkungen auf die Leistung auswirken.

Leistungsüberlegungen

Speicherauslastung

  • Vorübergehende Diagramme – Beschränkt auf den Speicher eines einzelnen Clusterknotens, schränkt die Verwendung von Datasets innerhalb des verfügbaren RAM ein.
  • Persistente Diagramme – Nutzen von verteiltem Speicher und optimierten Zugriffsmustern für Unternehmensdaten

Abfragewartezeit

  • Vorübergehende Graphen – Berücksichtigen Sie die Bauzeit bei jeder Abfrage, wobei Verzögerungen bei großen Datasets oder externen Datenquellen zunehmen können.
  • Persistente Diagramme – Vermeiden der Baulatenz durch vordefinierte Momentaufnahmen, wodurch schnelle Analysen ermöglicht werden

Abhängigkeiten externer Datenquellen, z. B. Clusterabfragen oder externe Tabellen in SQL und CosmosDB, können sich erheblich auf die vorübergehende Diagrammerstellungszeit auswirken, da jede Abfrage auf externe Antworten warten muss.

Datenaktualität

  • Vorübergehende Diagramme – Immer den aktuellen Datenzustand widerspiegeln, ideal für die Echtzeitanalyse
  • Persistente Graphen – widerspiegeln Daten zum Zeitpunkt der Erstellung des Snapshots, was Konsistenz für die kollaborative Analyse bietet, aber regelmäßige Aktualisierungen erfordert.

Integration in das KQL-Ökosystem

Graph-Semantik lässt sich nahtlos in die erweiterten Funktionen von KQL integrieren:

  • Zeitreihenanalyse – Nachverfolgen der Beziehungsentwicklung im Laufe der Zeit
  • Geospatialfunktionen – Analysieren von standortbasierten Mustern und geografischen Anomalien
  • Machine Learning-Operatoren – Erkennen von Mustern, Klassifizieren von Verhaltensweisen und Identifizieren von Anomalien
  • Skalare und tabellarische Operatoren – Ermöglichen komplexer Transformationen, Aggregationen und Datenanreicherung

Diese Integration ermöglicht anspruchsvolle Workflows wie Die Verfolgung der Lieferkettenentwicklung, die Analyse geografischer Ressourcenverteilung, die Communityerkennung durch Clusteringalgorithmen und die Korrelation von Graph-Erkenntnissen mit herkömmlicher Protokollanalyse und externer Intelligenz.

Verwandte Inhalte