Mi az a gráfadatbázis?

Megjegyzés:

Ez a funkció jelenleg nyilvános előzetes verzióban érhető el. Ez az előzetes verzió szolgáltatásszintű szerződés nélkül érhető el, és éles számítási feladatokhoz nem ajánlott. Előfordulhat, hogy bizonyos funkciók nem támogatottak, vagy korlátozott képességekkel rendelkeznek. További információ: Supplemental Terms of Use for Microsoft Azure Previews.

A gráfadatbázis olyan adatbázistípus, amely táblák és sorok helyett csomópontokként (entitások) és élekként (kapcsolatokként) jeleníti meg az információkat. Ez a struktúra megkönnyíti az adatok összetett kapcsolatainak és mintáinak felderítését.

A gráfadatbázis leggyakrabban használt típusa implementálja a címkézett tulajdonsággráf (LPG) modellt: az entitások (csomópontok) és a kapcsolatok (élek) címkékkel és tulajdonságokkal (kulcs-érték párokkal) rendelkezhetnek. Ez a rugalmas modell séma- és sémaalapú kialakításokat is lehetővé tesz, és lehetővé teszi összetett kapcsolatok kifejezését. Mivel a kapcsolatok explicit módon élekként vannak tárolva, a lekérdezések az élek mentén haladva járják be a kapcsolatokat, ezzel elkerülve a drága illesztések számítását.

Megjegyzés:

A cikkben szereplő példák a közösségi hálózat gráfadatkészletét használják.

A Graph-adatbázis alapfogalmai

A gráfadatbázis három alapvető építőelembe rendezi az adatokat:

  • A csomópontok entitásokat , például személyeket, termékeket vagy helyeket jelölnek. A csomópontok olyan címkéket és tulajdonságokat tartalmazhatnak, amelyek az attribútumaikat írják le. Előfordulhat például, hogy egy Person csomópont olyan tulajdonságokkal rendelkezik, mint a firstName, lastNameés age.
  • Az élek az entitások csatlakoztatásának módját jelölik, például FRIENDS_WITH, PURCHASEDvagy LOCATED_IN. Az élek tulajdonságokat és címkéket is tartalmazhatnak a kapcsolat metaadatainak rögzítéséhez.
  • A tulajdonságok a csomópontokhoz és élekhez csatolják a részleteket (például egy személy nevét vagy egy él dátumát).

Hogyan működik a kapcsolatok lekérdezése

A gráfos lekérdezések úgy kérnek le összekapcsolt adatokat, hogy elindulnak egy kezdő csomópontból, áthaladnak annak szomszédain, majd továbbhaladnak azok szomszédaihoz, és így tovább. A bejárás költsége az érintett élek számától (a helyi környéktől) függ, nem pedig az adathalmaz teljes méretétől. Ez a jellemző természetessé és hatékonnyá teszi az útvonalakkal, kapcsolatokat és mintákat illető kérdések kifejezését, mint például a barátok barátai, a legrövidebb útvonalak vagy a több ugrásos függőségek.

A gráfadatbázisok mintaalapú lekérdezési nyelveket, például a Graph Query Language (GQL) nyelvet használnak ezeknek a bejárásoknak a tömör leírására. Ugyanaz a nemzetközi munkacsoport, amely felügyeli az SQL-t (ISO/IEC 39075) szabványosítja a GQL-t, amely a gráflekérdezést a meglévő adatbázisszabványokhoz igazítja.

Példa (minta egyezés a GQL-vel):

MATCH (p:Person {firstName: "Annemarie"})-[:knows]->(friend)-[:likes]->(c:Comment)
RETURN c
ORDER BY c.creationDate
LIMIT 100

A minta a következőképpen olvasható: az Annemarie személycsomópontjából kiindulva kövesse a :knows éleket minden barátcsomópont felé, majd kövesse a :likes éleket a kapcsolódó :Comment csomópontokig. Adja vissza a létrehozási dátumuk szerint rendezett megjegyzések közül a 100 legújabbat.

Mesterséges intelligenciával támogatott gráfok érvelése (előzetes verzió)

A gráfadatbázisok természetes módon illeszkednek az AI-érveléshez, mivel a nyelvi modelleknek pontosan kell megválaszolniuk a több ugrásos kérdéseket. A Microsoft Fabric Fabric Data Agent támogatja a gráfot adatforrásként, így a felhasználók természetes nyelvi kérdéseket tehetnek fel, amelyekre az ügynök válaszol a gráf lekérdezésével. Az NL2GQL a természetes nyelv GQL-vé való lefordításával kapcsolatos részletekért tekintse meg a gráfalapú AI-érvelési közleményt.

Gráfadatmodell és sémarugalmasság

A gráfadatmodellek sémaalapúak: rugalmas modellel kezdheti, és idővel formálissá teheti. A Microsoft Fabric gráfban a szerkezeti változások – például új tulajdonságok hozzáadása, címkék módosítása vagy kapcsolattípusok módosítása – jelenleg az adatok új modellbe való betöltését igénylik. Ez a megközelítés csökkenti az adatok duplikálásának szükségességét, és lehetővé teszi, hogy a csapatok több forrásból származó adatokat egyesítsenek anélkül, hogy komoly előzetes újratervezést kellene elvégezniük. A Microsoft Fabric gráfban használt adatmodellről további információt a Címkés tulajdonságdiagramok című témakörben talál.

A gráfadatbázisok gyakori felhasználási módjai

A gráfadatbázisok szorosan igazodnak azokhoz a tartományokhoz, ahol a kapcsolatok meghajtják az értéket, például:

  • Közösségi hálózatok – modellkapcsolatok az emberek és interakcióik között
  • Tudásgráfok – fogalmak, entitások és tények összekapcsolása szemantikai kereséshez és érveléshez
  • Javaslati rendszerek – felhasználói elemek közötti interakciók átjárása személyre szabott javaslatok felszínre hozásához
  • Csalási és kockázati hálózatok – gyanús minták észlelése fiókok, tranzakciók és eszközök között
  • Hálózati és informatikai topológia – kiszolgálók, szolgáltatások és infrastruktúra-összetevők közötti függőségek leképezése
  • Ellátási lánc függőségelemzése – az összetevők forrásának és a szállítók közötti kapcsolatoknak a nyomon követése
  • Gráfalapú lekéréses kiterjesztett generáció (RAG) – gráfstruktúra használata tudásbázisként olyan AI-ügynökök számára, amelyek több ugrásos érvelést igényelnek magyarázható, megalapozott válaszokkal

Ezekben a forgatókönyvekben kevesebb a kérdés az egyes rekordokról, és arról, hogy hány entitás kapcsolódik egymáshoz, és hogyan kommunikálnak több ugráson keresztül.

Mikor érdemes gráfadatbázist figyelembe venni?

A gráfadatbázis jól illeszkedik, ha a kapcsolatok vezetik a megválaszolandó alapvető kérdéseket. Gráfadatbázis kiválasztása a következő esetekben:

  • Az elsődleges kérdések a csatlakoztatott adatok elérési útjait, környékeit és mintáit érintik.
  • A ugrások száma változó vagy előre nem ismert.
  • Egyesítenie kell és el kell navigálnia a különböző adathalmazok közötti kapcsolatokat.

Ha rendszeresen tesz fel ilyen jellegű kérdéseket, a gráfmodellek természetes illeszkedésnek számítanak.

Hogyan hasonlítja össze a Microsoft Fabric grafikonja az önálló gráfadatbázisokkal?

Az adatok gráfként való ábrázolása és egy különálló, különálló gráfadatbázisban való tárolása gyakran ETL-t (kinyerést, átalakítást, terhelést) és szabályozási többletterhelést jelent. Ezzel szemben a Microsoft Fabric grafikonja közvetlenül a OneLake-en működik, ami csökkenti vagy kiküszöböli a különálló ETL-folyamatok és adatkettőződések szükségességét. Fontolja meg ezeket a kompromisszumokat:

  • Adatáthelyezés és duplikáció: Az önálló gráfadatbázisok általában adatok kinyerését, átalakítását és betöltését igénylik egy külön tárolóba, ami növeli a bonyolultságot, és duplikált adathalmazokhoz vezethet. A Graph a OneLake-en működik, így áthelyezés nélkül is modellezheti és lekérdezheti a csatlakoztatott adatokat.
  • Üzemeltetési költségek: Az önálló gráfrétegek különálló klaszterekként vagy szolgáltatásokként futnak, és gyakran magukban foglalják a kihasználatlan kapacitás költségeit. A gráfban a számítási feladatok készletezett kapacitásegységeket (CU-kat) használnak fel automatikus leskálázási és központosított metrikákkal, ami leegyszerűsíti a műveleteket, és csökkentheti a költségeket.
  • Méretezhetőség: Egyes különálló gráfadatbázisok a vertikális felskálázástól vagy a gyártófüggő klaszterezéstől függenek. A Graph nagy méretű gráfokhoz készült, és horizontális skálázást használ több feldolgozóra a nagy adatos számítási feladatok hatékony kezeléséhez.
  • Eszközök és készségek: A szállítóspecifikus gráfrendszerek speciális nyelveket és különálló elemzési keretrendszereket igényelhetnek. A Graph egységes modellezést, szabványalapú lekérdezést (GQL), beépített gráfelemzési algoritmusokat, BI- és AI-integrációt biztosít, beleértve a Fabric adatügynököt támogatást a natural nyelvi gráflekérdezéshez (előzetes verzió) és az alacsony/kód nélküli felderítő eszközökhöz. Ezek a képességek lehetővé teszik, hogy a felhasználók szélesebb köre működjön együtt a csatlakoztatott adatokkal.
  • Irányítás és biztonság: A különálló gráftelepítések független szabályozási és biztonsági beállításokat igényelnek. A Graph a OneLake-szabályozást, a vonalvezetést és a munkaterület szerepköralapú hozzáférés-vezérlését (RBAC) használja, így a megfelelőség, a naplózás és az engedélyek továbbra is összhangban maradnak a Fabric környezet többi részével.

Kapcsolódó tartalom

  • Last updated on