Visão geral da semântica do gráfico

Aplica-se a: ✅Microsoft Fabric✅Azure Data Explorer✅Azure Monitor✅Microsoft Sentinel

A semântica gráfica permite modelar e consultar dados como redes interconectadas. Um gráfico consiste em nós (entidades) e arestas (relações) que os conectam. Tanto os nós quanto as bordas podem conter propriedades, criando um modelo de dados avançado para relacionamentos complexos.

Os gráficos se destacam na representação de dados complexos com relacionamentos muitos-para-muitos, estruturas hierárquicas ou conexões em rede, como redes sociais, sistemas de recomendação, ativos conectados e gráficos de conhecimento. Ao contrário dos bancos de dados relacionais que exigem índices e junções para conectar dados entre tabelas, os gráficos usam adjacência direta entre nós, permitindo a travessia rápida e intuitiva de relacionamentos.

O gráfico a seguir ilustra um cenário de caminho de ataque de segurança cibernética. Os nós representam entidades como fontes externas, usuários e ativos críticos, enquanto as bordas representam ações ou relacionamentos que formam uma sequência de ataque potencial.

As consultas gráficas aproveitam a estrutura do gráfico para executar operações sofisticadas, como encontrar caminhos, padrões, distâncias mais curtas, comunidades e medidas de centralidade. Esses recursos tornam os gráficos poderosos para modelar relacionamentos, interações, dependências e fluxos entre domínios, incluindo redes sociais, cadeias de suprimentos, redes de dispositivos IoT, gêmeos digitais, sistemas de recomendação e estruturas organizacionais.

O gráfico a seguir mostra um cenário de cadeia de suprimentos em que os nós representam fornecedores, fabricantes e distribuidores, e as bordas representam as relações de fornecimento. Este exemplo demonstra como os gráficos modelam fluxos e dependências em diferentes contextos de negócios.

Por que usar semântica de grafos?

Os recursos gráficos oferecem vantagens significativas, aproveitando os investimentos em dados existentes e adicionando modelagem de relacionamento sofisticada:

• Sem necessidade de migração de dados - Crie modelos gráficos diretamente a partir dos dados atuais sem duplicação.
• Solução econômica - Elimina a complexidade e as despesas de bancos de dados gráficos dedicados.
• Suporte à análise temporal - Como um banco de dados de séries temporais, você pode analisar naturalmente como os gráficos evoluem ao longo do tempo.
• Modelagem baseada em eventos - Modela gráficos como sequências de eventos de relacionamento, alinhando-se com fortes capacidades de processamento de eventos.
• Integração perfeita do KQL - Os operadores de gráficos trabalham em conjunto com todos os recursos KQL existentes com suporte total ao IntelliSense.

Essa abordagem oferece modelagem de relacionamento de nível empresarial , mantendo o desempenho, a escala e uma interface familiar. As organizações podem analisar dados complexos interconectados entre domínios — de cadeias de suprimentos e hierarquias organizacionais a redes de dispositivos IoT e relacionamentos sociais — sem investimentos extras em infraestrutura.

Abordagem de criação de gráficos transitórios

Gráficos transitórios são criados dinamicamente usando o make-graph operador. Esses gráficos existem na memória durante a execução da consulta e são automaticamente descartados quando a consulta é concluída.

Características principais

• Criação dinâmica - Construída a partir de dados tabulares usando consultas KQL com toda a estrutura residindo na memória
• Disponibilidade imediata - Sem requisitos de pré-processamento ou configuração
• Restrições de memória - O tamanho do gráfico é limitado pela memória disponível nos nós do cluster
• Fatores de desempenho - A topologia do gráfico e os tamanhos das propriedades determinam os requisitos de memória

Essa abordagem é ideal para conjuntos de dados de pequeno a médio porte, onde a análise imediata é necessária.

Casos de uso para gráficos transitórios

Os gráficos transitórios se destacam em vários cenários:

• Análise ad hoc - Investigações únicas que exigem um exame rápido do padrão
• Análise exploratória de dados - Testar hipóteses e validar abordagens analíticas
• Conjuntos de dados pequenos a médios - Análise em tempo real de eventos recentes ou subconjuntos de dados focados
• Prototipagem rápida - Testando padrões gráficos antes de implementar modelos persistentes
• Análise dinâmica de dados - Alteração frequente de dados que não justificam armazenamento persistente

As aplicações comuns incluem monitoramento de IoT em tempo real, análise de relacionamento da cadeia de suprimentos, mapeamento da jornada do cliente e qualquer cenário que exija visualização imediata de relacionamentos de entidades.

Abordagem de criação de gráficos persistentes

Os gráficos persistentes usam modelos gráficos e instantâneos gráficos para fornecer soluções robustas para gráficos complexos e de grande escala que representam redes organizacionais, cadeias de suprimentos, ecossistemas IoT, gêmeos digitais e outros domínios de dados interconectados.

Principais características dos gráficos persistentes

• Armazenamento persistente - Modelos gráficos e snapshots são armazenados em metadados de banco de dados para durabilidade e consistência
• Escalabilidade - Lide com gráficos que excedem as limitações de memória com recursos de análise em escala empresarial
• Reusabilidade - Vários usuários podem consultar a mesma estrutura sem reconstruir, permitindo a análise colaborativa
• Otimização de desempenho - Elimine a latência de construção de gráficos para consultas repetidas
• Controle de versão - Vários instantâneos representam gráficos em diferentes pontos temporais para análise histórica
• Suporte a esquemas - Definições estruturadas para diferentes tipos de entidade e suas propriedades

O recurso de esquema suporta rótulos estáticos (predefinidos no modelo gráfico) e rótulos dinâmicos (gerados em tempo de execução a partir de dados), fornecendo flexibilidade para ambientes complexos com diversos tipos de entidade.

Casos de uso para gráficos persistentes

Os gráficos persistentes são essenciais para:

• Análise empresarial - Fluxos de trabalho de monitoramento contínuo em redes complexas
• Análise de dados em larga escala - Gráficos em escala empresarial com milhões de nós e relacionamentos
• Análise colaborativa - Várias equipes trabalhando com estruturas gráficas compartilhadas
• Fluxos de trabalho de produção - Sistemas automatizados que exigem acesso consistente a gráficos
• Comparação histórica - Análise baseada no tempo da evolução e das mudanças dos gráficos

Exemplo: Digital Twin Persistent Graph

Em cenários de gêmeos digitais e IoT, gráficos persistentes suportam análises regulares de relações de dispositivos, dependências de equipamentos e evolução do sistema ao longo do tempo. A análise histórica permite comparar estados do sistema em diferentes períodos, acompanhar a evolução dos ativos e conduzir análises de tendências de longo prazo.

Exemplo: IoT e gráfico persistente de gêmeos digitais

IoT e aplicativos de gêmeos digitais se beneficiam significativamente de gráficos persistentes ao modelar relações complexas entre dispositivos físicos e suas representações virtuais em sistemas distribuídos. Esses gráficos permitem que as organizações:

• Crie modelos abrangentes de implantações de IoT e ativos conectados
• Suporte a monitoramento em tempo real, manutenção preditiva e otimização de desempenho
• Analise as dependências do equipamento e identifique potenciais pontos de falha
• Otimize o posicionamento do sensor através da compreensão da topologia física e lógica
• Rastreie as configurações, comunicações e características de desempenho do dispositivo ao longo do tempo
• Detete anomalias de padrões de comunicação e visualize a evolução inteligente do ambiente
• Simule as condições operacionais antes de implementar alterações na infraestrutura física

Essa abordagem persistente se mostra inestimável para gerenciar ecossistemas complexos de IoT em escala.

Recursos de consulta de gráficos

Depois que um gráfico é estabelecido (através make-graph ou a partir de um instantâneo), você pode aproveitar o conjunto completo de operadores de gráficos KQL para uma análise abrangente:

Principais operadores:

• graph-match - Permite sofisticadas operações transversais e de correspondência de padrões para identificar sequências de relacionamento complexas
• graph-shortest-paths - Encontra caminhos ideais entre entidades, ajudando a priorizar conexões e identificar relacionamentos críticos
• graph-to-table - Converte os resultados da análise gráfica em formato tabular para integração com sistemas existentes

Capacidades avançadas de análise:

• Análise baseada no tempo - Examinar como as relações e os padrões evoluem ao longo do tempo
• Integração geoespacial - Combine dados gráficos com inteligência baseada em localização para análise de padrões geográficos
• Integração de aprendizado de máquina - Aplique algoritmos para agrupamento de entidades, classificação de padrões e deteção de anomalias

Esses recursos suportam diversos casos de uso, incluindo análise da jornada do cliente, sistemas de recomendação de produtos, redes IoT, gêmeos digitais e gráficos de conhecimento.

Escolher a abordagem certa

A árvore de decisão a seguir ajuda você a selecionar a abordagem de criação de gráficos mais apropriada com base em seus requisitos e restrições específicos.

Árvore de decisão: gráficos transitórios vs persistentes

Quando usar gráficos transitórios

Escolha gráficos transitórios para:

• Tamanho do gráfico abaixo de 10 milhões de nós e bordas (para um desempenho ideal)
• Análise de usuário único ou pequena equipe com requisitos mínimos de colaboração
• Investigações pontuais ou exploratórias em que são necessários resultados imediatos
• Análise de dados em tempo real que requer informações de estado atuais
• Prototipagem rápida e teste de padrões gráficos e lógica de consulta

Embora os gráficos transitórios possam lidar com conjuntos de dados maiores, o tempo de execução da consulta aumenta à medida que o gráfico deve ser reconstruído para cada consulta. Considere essa compensação de desempenho ao trabalhar com conjuntos de dados maiores.

Quando usar gráficos persistentes

Escolha gráficos persistentes para:

• Tamanho do gráfico superior a 10 milhões de nós e bordas onde o armazenamento distribuído é benéfico
• Várias equipes que precisam de acesso compartilhado para análise colaborativa
• Análise repetida em conjuntos de dados estáveis em que a latência de construção afeta a produtividade
• Integração do fluxo de trabalho de produção que requer acesso consistente e confiável a gráficos
• Requisitos de comparação histórica para acompanhar as alterações ao longo do tempo
• Limitações de capacidade de memória que afetam o desempenho da consulta
• Fluxos de trabalho de investigação colaborativa entre equipes e fusos horários

Gráficos persistentes são essenciais ao trabalhar com dados em escala empresarial ou quando as limitações de memória afetam o desempenho.

Considerações sobre desempenho

Utilização da memória

• Gráficos transitórios - Limitado pela memória de nó de cluster único, limitando o uso a conjuntos de dados que cabem na RAM disponível
• Gráficos persistentes - Aproveite o armazenamento distribuído e os padrões de acesso otimizados para dados em escala empresarial

Latência da consulta

• Gráficos transitórios - Incluem o tempo de construção em cada consulta, com atrasos crescentes para grandes conjuntos de dados ou fontes de dados externas
• Gráficos persistentes - Elimine a latência na construção através de instantâneos pré-construídos, facilitando uma análise rápida

Dependências de fontes de dados externas, como consultas entre clusters ou tabelas externas para SQL e CosmosDB, podem afetar significativamente o tempo de construção de gráficos transitórios porque cada consulta deve aguardar respostas externas.

Atualidade dos dados

• Gráficos transitórios - Reflitam sempre o estado atual dos dados, ideais para análise em tempo real
• Gráficos persistentes - Refletem dados no momento da criação do snapshot, fornecendo consistência para análise colaborativa, mas exigindo atualizações periódicas

Integração com o ecossistema KQL

A semântica gráfica integra-se perfeitamente com os recursos mais amplos do KQL:

• Análise de séries temporais - Acompanhe a evolução do relacionamento ao longo do tempo
• Funções geoespaciais - Analisar padrões baseados na localização e anomalias geográficas
• Operadores de aprendizado de máquina - Detete padrões, classifique comportamentos e identifique anomalias
• Operadores escalares e tabulares - Permitem transformações complexas, agregações e enriquecimento de dados

Essa integração permite fluxos de trabalho sofisticados, incluindo rastreamento da evolução da cadeia de suprimentos, análise de distribuição geográfica de ativos, deteção da comunidade por meio de algoritmos de agrupamento e correlação de insights gráficos com análise de log tradicional e inteligência externa.

Conteúdo relacionado

• Cenários comuns para usar a semântica do gráfico KQL
• Práticas recomendadas para semântica de gráficos KQL
• Operadores de gráficos
• Visão geral do modelo gráfico
• Visão geral dos instantâneos do gráfico