Gambaran umum semantik grafik

Berlaku untuk: ✅Microsoft Fabric

Semantik grafik memungkinkan Anda memodelkan dan mengkueri data sebagai jaringan yang saling terhubung. Grafik terdiri dari simpul (entitas) dan tepi (hubungan) yang menghubungkannya. Node dan tepi dapat berisi properti, membuat model data yang kaya untuk hubungan yang kompleks.

Grafik unggul dalam mewakili data kompleks dengan hubungan banyak ke banyak, struktur hierarkis, atau koneksi jaringan—seperti jaringan sosial, sistem rekomendasi, aset yang terhubung, dan grafik pengetahuan. Tidak seperti database relasional yang memerlukan indeks dan gabungan untuk menyambungkan data di seluruh tabel, grafik menggunakan kedekatan langsung antara simpul, memungkinkan traversal hubungan yang cepat dan intuitif.

Grafik berikut mengilustrasikan skenario jalur serangan keamanan cyber. Simpul mewakili entitas seperti sumber eksternal, pengguna, dan aset penting, sementara tepi mewakili tindakan atau hubungan yang membentuk urutan serangan potensial.

Kueri grafik memanfaatkan struktur grafik untuk melakukan operasi canggih seperti menemukan jalur, pola, jarak terpendek, komunitas, dan langkah-langkah sentralitas. Kemampuan ini membuat grafik menjadi kuat untuk memodelkan hubungan, interaksi, dependensi, dan alur di seluruh domain—termasuk jaringan sosial, rantai pasokan, jaringan perangkat IoT, kembar digital, sistem rekomendasi, dan struktur organisasi.

Grafik berikut menunjukkan skenario rantai pasokan di mana simpul mewakili pemasok, produsen, dan distributor, dan tepi mewakili hubungan pasokan. Contoh ini menunjukkan bagaimana grafik menggambarkan aliran dan ketergantungan di berbagai konteks bisnis.

Mengapa menggunakan semantik grafik?

Kemampuan grafik menawarkan keuntungan signifikan dengan memanfaatkan investasi data yang ada sambil menambahkan pemodelan hubungan yang canggih:

• Tidak diperlukan migrasi data - Membangun model grafik langsung dari data saat ini tanpa duplikasi.
• Solusi hemat biaya - Menghilangkan kompleksitas dan pengeluaran database grafik khusus.
• Dukungan analisis temporal - Sebagai database rangkaian waktu, Anda dapat secara alami menganalisis bagaimana grafik berkembang dari waktu ke waktu.
• Pemodelan berbasis peristiwa - Grafik model sebagai urutan peristiwa hubungan, selaras dengan kemampuan pemrosesan peristiwa yang kuat.
• Integrasi KQL tanpa hambatan - Operator grafik bekerja bersama semua kemampuan KQL yang ada dengan dukungan IntelliSense penuh.

Pendekatan ini memberikan pemodelan hubungan tingkat perusahaan sambil mempertahankan performa, skala, dan antarmuka yang akrab. Organisasi dapat menganalisis data yang saling terhubung secara kompleks di seluruh domain—mulai dari rantai pasokan dan hierarki organisasi hingga jaringan perangkat IoT dan hubungan sosial—tanpa investasi infrastruktur tambahan.

Pendekatan pembuatan grafik sementara

Grafik sementara dibuat secara dinamis menggunakan make-graph operator. Grafik ini ada dalam memori selama eksekusi kueri dan secara otomatis dibuang saat kueri selesai.

Karakteristik utama

• Pembuatan dinamis - Dibangun dari data tabular menggunakan kueri KQL dengan seluruh struktur yang berada dalam memori
• Ketersediaan langsung - Tidak ada persyaratan pra-pemrosesan atau penyiapan
• Batasan memori - Ukuran grafik dibatasi oleh memori yang tersedia pada node kluster
• Faktor performa - Topologi grafik dan ukuran properti menentukan persyaratan memori

Pendekatan ini optimal untuk himpunan data berukuran lebih kecil hingga menengah di mana analisis langsung diperlukan.

Kasus penggunaan untuk grafik sementara

Grafik peralihan unggul dalam beberapa skenario.

• Analisis ad hoc - Investigasi satu kali yang memerlukan pemeriksaan pola cepat
• Analisis data eksploratif - Menguji hipotesis dan memvalidasi pendekatan analitik
• Himpunan data kecil hingga menengah - Analisis real time dari peristiwa terbaru atau subset data yang berfokus
• Pembuatan prototipe cepat - Menguji pola grafik sebelum menerapkan model persisten
• Analisis data dinamis - Data yang sering berubah yang tidak membenarkan penyimpanan persisten

Aplikasi umum termasuk pemantauan IoT real time, analisis hubungan rantai pasokan, pemetaan perjalanan pelanggan, dan skenario apa pun yang memerlukan visualisasi segera hubungan entitas.

Pendekatan pembuatan grafik persisten

Grafik persisten menggunakan model grafik dan rekam jepret grafik untuk menyediakan solusi yang kuat untuk grafik kompleks berskala besar yang mewakili jaringan organisasi, rantai pasokan, ekosistem IoT, kembar digital, dan domain data yang saling terhubung lainnya.

Karakteristik utama untuk grafik persisten

• Penyimpanan persisten - Model grafik dan rekam jepret disimpan dalam metadata database untuk durabilitas dan konsistensi
• Skalabilitas - Menangani grafik yang melebihi batasan memori dengan kemampuan analisis skala perusahaan
• Penggunaan kembali - Beberapa pengguna dapat mengkueri struktur yang sama tanpa membangun kembali, memungkinkan analisis kolaboratif
• Pengoptimalan performa - Menghilangkan latensi konstruksi grafik untuk kueri berulang
• Kontrol versi - Beberapa rekam jepret mewakili grafik pada titik waktu yang berbeda untuk analisis historis
• Dukungan skema - Definisi terstruktur untuk berbagai jenis entitas dan propertinya

Kemampuan skema mendukung label statis (telah ditentukan sebelumnya dalam model grafik) dan label dinamis (dihasilkan pada runtime dari data), memberikan fleksibilitas untuk lingkungan kompleks dengan berbagai jenis entitas.

Kasus penggunaan untuk grafik persisten

Grafik persisten sangat penting untuk:

• Analitik perusahaan - Alur kerja pemantauan berkelanjutan di seluruh jaringan yang kompleks
• Analisis data skala besar - Grafik skala perusahaan dengan jutaan simpul dan hubungan
• Analisis kolaboratif - Beberapa tim yang bekerja dengan struktur grafik bersama
• Alur kerja produksi - Sistem otomatis yang memerlukan akses grafik yang konsisten
• Perbandingan historis - Analisis berbasis waktu evolusi grafik dan perubahan

Contoh: Kembar Digital dengan Grafik Persisten

Dalam skenario kembar digital dan IoT, grafik persisten mendukung analisis reguler hubungan perangkat, dependensi peralatan, dan evolusi sistem dari waktu ke waktu. Analisis historis memungkinkan perbandingan status sistem di berbagai periode, melacak evolusi aset, dan melakukan analisis tren jangka panjang.

Contoh: IoT dan grafik persisten kembar digital

Aplikasi IoT dan digital twin mendapat manfaat signifikan dari grafik persisten saat memodelkan hubungan kompleks antara perangkat fisik dan representasi virtualnya di seluruh sistem terdistribusi. Grafik ini memungkinkan organisasi untuk:

• Membuat model penyebaran IoT yang komprehensif dan aset yang terhubung
• Mendukung pemantauan real time, pemeliharaan prediktif, dan pengoptimalan performa
• Menganalisis dependensi peralatan dan mengidentifikasi potensi titik kegagalan
• Mengoptimalkan penempatan sensor melalui pemahaman topologi fisik dan logis
• Melacak konfigurasi perangkat, komunikasi, dan karakteristik performa dari waktu ke waktu
• Mendeteksi anomali pola komunikasi dan memvisualisasikan evolusi lingkungan pintar
• Mensimulasikan kondisi operasi sebelum menerapkan perubahan infrastruktur fisik

Pendekatan persisten ini terbukti sangat berharga untuk mengelola ekosistem IoT yang kompleks dalam skala besar.

Kemampuan kueri graf

Setelah grafik dibuat (melalui make-graph atau dari rekam jepret), Anda dapat memanfaatkan rangkaian lengkap operator grafik KQL untuk analisis komprehensif:

Operator utama:

• graph-match - Memungkinkan pencocokan pola canggih dan operasi traversal untuk mengidentifikasi urutan hubungan yang kompleks
• graph-shortest-paths - Menemukan jalur optimal antar entitas, membantu memprioritaskan koneksi dan mengidentifikasi hubungan penting
• graph-to-table - Mengonversi hasil analisis grafik ke format tabular untuk integrasi dengan sistem yang ada

Kemampuan analisis tingkat lanjut:

• Analisis berbasis waktu - Memeriksa bagaimana hubungan dan pola berkembang dari waktu ke waktu
• Integrasi geospasial - Menggabungkan data grafik dengan kecerdasan berbasis lokasi untuk analisis pola geografis
• Integrasi pembelajaran mesin - Menerapkan algoritma untuk pengklusteran entitas, klasifikasi pola, dan deteksi anomali

Kemampuan ini mendukung berbagai kasus penggunaan termasuk analisis perjalanan pelanggan, sistem rekomendasi produk, jaringan IoT, kembar digital, dan grafik pengetahuan.

Memilih pendekatan yang tepat

Pohon keputusan berikut membantu Anda memilih pendekatan pembuatan grafik yang paling tepat berdasarkan persyaratan dan batasan spesifik Anda.

Pohon Keputusan: Grafik Sementara vs Persisten

Kapan menggunakan grafik sementara

Pilih grafik sementara untuk:

• Ukuran grafik di bawah 10 juta simpul dan tepi (untuk performa optimal)
• Analisis pengguna tunggal atau tim kecil dengan persyaratan kolaborasi minimal
• Investigasi satu kali atau eksploratif di mana hasil langsung diperlukan
• Analisis data real time yang memerlukan informasi status saat ini
• Pembuatan prototipe cepat dan pengujian pola grafik dan logika kueri

Meskipun grafik sementara dapat menangani himpunan data yang lebih besar, waktu eksekusi kueri meningkat karena grafik harus direkonstruksi untuk setiap kueri. Pertimbangkan trade-off performa ini saat bekerja dengan himpunan data yang lebih besar.

Kapan menggunakan grafik persisten

Pilih grafik persisten untuk:

• Ukuran grafik melebihi 10 juta simpul dan tepi di mana penyimpanan terdistribusi bermanfaat
• Beberapa tim yang memerlukan akses bersama untuk analisis kolaboratif
• Analisis berulang pada himpunan data yang stabil di mana latensi konstruksi berdampak pada produktivitas
• Integrasi alur kerja produksi yang membutuhkan akses grafik yang konsisten dan andal
• Persyaratan perbandingan historis untuk melacak perubahan dari waktu ke waktu
• Batasan kapasitas memori yang memengaruhi performa kueri
• Alur kerja investigasi kolaboratif di seluruh tim dan zona waktu

Grafik persisten sangat penting saat bekerja dengan data skala perusahaan atau ketika keterbatasan memori memengaruhi performa.

Pertimbangan performa

Penggunaan memori

• Grafik sementara - Dibatasi oleh memori node kluster tunggal, membatasi penggunaan untuk himpunan data dalam RAM yang tersedia
• Grafik persisten - Memanfaatkan penyimpanan terdistribusi dan pola akses yang dioptimalkan untuk data skala perusahaan

Latensi kueri

• Grafik sementara - Sertakan waktu konstruksi di setiap kueri, dengan penundaan yang meningkat untuk himpunan data besar atau sumber data eksternal
• Grafik persisten - Menghilangkan latensi konstruksi melalui rekam jepret bawaan, memungkinkan analisis cepat

Dependensi sumber data eksternal, seperti kueri lintas kluster atau tabel eksternal ke SQL dan CosmosDB, dapat secara signifikan memengaruhi waktu konstruksi grafik sementara karena setiap kueri harus menunggu respons eksternal.

Kesegaran data

• Grafik sementara - Selalu mencerminkan status data saat ini, ideal untuk analisis real time
• Grafik persisten - Mencerminkan data pada waktu pembuatan rekam jepret, memberikan konsistensi untuk analisis kolaboratif tetapi memerlukan refresh berkala

Integrasi dengan ekosistem KQL

Semantik grafik terintegrasi dengan mulus dengan kemampuan KQL yang lebih luas:

• Analisis rangkaian waktu - Melacak evolusi hubungan dari waktu ke waktu
• Fungsi geospasial - Menganalisis pola berbasis lokasi dan anomali geografis
• Operator pembelajaran mesin - Mendeteksi pola, mengklasifikasikan perilaku, dan mengidentifikasi anomali
• Operator skalar dan tabular - Mengaktifkan transformasi kompleks, agregasi, dan pengayaan data

Integrasi ini memungkinkan alur kerja canggih termasuk pelacakan evolusi rantai pasokan, analisis distribusi aset geografis, deteksi komunitas melalui algoritma pengklusteran, dan korelasi wawasan grafik dengan analisis log tradisional dan kecerdasan eksternal.

Konten terkait

• Skenario umum untuk menggunakan semantik grafik KQL
• Praktik terbaik untuk semantik grafik KQL
• operator Graph
• Gambaran umum model grafik
• Gambaran Umum Cuplikan Grafik