Graf veritabanı nedir?

Uyarı

Bu özellik şu anda genel önizlemededir. Bu önizleme, hizmet düzeyi sözleşmesi olmadan sağlanır ve üretim iş yükleri için önerilmez. Bazı özellikler desteklenmiyor olabileceği gibi özellikleri sınırlandırılmış da olabilir. Daha fazla bilgi için bkz. Microsoft Azure Önizlemeleri için Uygun Kullanım Koşulları.

Grafik veritabanı, bilgileri tablolar ve satırlar yerine düğümler (varlıklar) ve kenarlar (ilişkiler) olarak temsil eden bir veritabanı türüdür. Bu yapı, verileriniz genelinde karmaşık bağlantıları ve desenleri keşfetmeyi kolaylaştırır.

En yaygın kullanılan grafik veritabanı türü etiketli özellik grafı (LPG) modelini uygular: varlıklar (düğümler) ve ilişkiler (kenarlar) etiketlere ve özelliklere (anahtar-değer çiftleri) sahip olabilir. Bu esnek model hem şema isteğe bağlı hem de şema temelli tasarımlar sağlar ve karmaşık ilişkileri ifade etmenizi sağlar. Bağlantılar açıkça kenar olarak depolandığından sorgular, sorgu zamanında pahalı birleşimleri hesaplama yerine kenarları takip ederek ilişkiler arasında geçiş yapar.

Uyarı

Bu makaledeki örneklerde sosyal ağ örnek graf veri kümesi kullanılır.

Graph veritabanı temel kavramları

Graf veritabanı verileri üç temel yapı taşları halinde düzenler:

  • Düğümler kişiler, ürünler veya yerler gibi varlıkları temsil eder. Düğümler özniteliklerini açıklayan etiketlere ve özelliklere sahip olabilir. Örneğin, bir Person düğümün , firstNameve lastNamegibi ageözellikleri olabilir.
  • Kenarlar varlıkların bağlanma şeklini temsil eder; örneğin FRIENDS_WITH, , PURCHASEDveya LOCATED_IN. İlişki meta verilerini toplamak için kenarlar etiketleri ve özellikleri de taşıyabilir.
  • Özellikler düğümlere ve kenarlara (örneğin, bir kişinin adı veya bir kenarın başlangıç tarihi) ayrıntı atar.

İlişkilerin sorgulanması nasıl çalışır?

Graf sorguları, bir başlangıç düğümünden komşularına, ardından komşularına vb. geçiş yaparak bağlı bilgileri alır. Dolaşmanın maliyeti, veri kümesinin toplam boyutuna değil dokunduğu kenar sayısına (yerel mahalle) bağlıdır. Bu özellik, arkadaş arkadaşları, en kısa yollar veya çok atlamalı bağımlılıklar gibi yollar, bağlantılar ve desenler hakkındaki soruların doğal ve verimli bir şekilde ifade edilmesine neden olur.

Graf veritabanları, bu dolaşmaları kısa bir şekilde açıklamak için Graf Sorgu Dili (GQL) gibi desen tabanlı sorgu dillerini kullanır. SQL'i (ISO/IEC 39075) denetleyen aynı uluslararası çalışma grubu, graf sorgulamayı yerleşik veritabanı standartlarıyla uyumlu hale getiren GQL'yi standartlaştırmaktadır.

Örnek (GQL ile desen eşleştirme):

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

Bu desen şu şekilde okunur: Annemarie için Kişi düğümünden başlayarak :knows kenarlarını her arkadaş düğümüne takip edin, ardından :likes kenarlarını ilgili :Comment düğümlerine kadar izleyin. Bu açıklamalardan en yeni 100'ünü oluşturma tarihlerine göre sıralanmış olarak döndürür.

Yapay zeka destekli grafik mantığı (önizleme)

Graf veritabanları, dil modellerinin çok atlamalı soruları doğru bir şekilde yanıtlaması için ihtiyaç duyduğu ilişkileri kodladıkları için yapay zeka mantığına doğal olarak uygundur. Microsoft Fabric'da Fabric Data Agent veri kaynağı olarak grafı destekler ve kullanıcıların grafı sorgulayarak aracının yanıtladığı doğal dil sorularını sormasını sağlar. NL2GQL'in doğal dili GQL'ye nasıl çevirdiği hakkında ayrıntılı bilgi için Graph destekli yapay zeka akıl yürütme duyurusuna bakın.

Graf veri modeli ve şema esnekliği

Grafik veri modelleri şema isteğe bağlıdır: Esnek bir modelle başlayabilir ve zaman içinde resmileştirebilirsiniz. Microsoft Fabric grafikte, yeni özellikler ekleme, etiketleri değiştirme veya ilişki türlerini değiştirme gibi yapısal değişiklikler şu anda verileri yeni bir modelde yeniden boyutlandırmayı gerektirir. Bu yaklaşım, veri yineleme gereksinimini azaltır ve ekiplerin birden çok kaynaktan gelen verileri büyük bir ön tasarıma gerek kalmadan birleştirmesine olanak tanır. Microsoft Fabric grafında kullanılan veri modeli hakkında daha fazla bilgi için bkz. Etiketli özellik grafikleri.

Grafik veritabanları için yaygın kullanımlar

Graph veritabanları, bağlantıların değer yarattığı alanlarla yakın bir şekilde hizalanır, örneğin:

  • Sosyal ağlar — kişiler ve etkileşimleri arasındaki ilişkileri modelleme
  • Bilgi grafikleri — anlamsal arama ve mantık için kavramları, varlıkları ve olguları bağlama
  • Öneri sistemleri — kişiselleştirilmiş önerileri ortaya çıkarabilmek için kullanıcı öğesi etkileşimlerini dolaşma
  • Sahtekarlık ve risk ağları — hesaplar, işlemler ve cihazlar arasında şüpheli desenleri algılama
  • Ağ ve BT topolojisi — sunucular, hizmetler ve altyapı bileşenleri arasındaki bağımlılıkları eşler
  • Tedarik zinciri bağımlılık analizi — tedarikçiler arasında bileşen çıkış noktalarını ve ilişkilerini izleme
  • Graf bazlı alma ile güçlendirilmiş üretim (RAG) — açıklanabilir, temelli yanıtlarla çok aşamalı akıl yürütmeye ihtiyaç duyan yapay zeka aracıları için graf yapısını bilgi kaynağı olarak kullanma

Bu senaryolarda, sorular tek kayıtlardan ziyade, birkaç adımda kaç varlığın birbiriyle ilişkili ve etkileşimde olduğuna odaklanır.

Graf veritabanı ne zaman dikkate alınır?

İlişkiler, yanıtlamanız gereken temel soruları yönlendirdiğinde graf veritabanı güçlü bir uyum sağlar. Şu durumlarda bir grafik veritabanı seçin:

  • Birincil sorularınız arasında bağlantılı verilerdeki yollar, mahalleler ve desenler yer alır.
  • Atlama sayısı değişkendir veya önceden bilinmemektedir.
  • Farklı veri kümelerindeki ilişkileri birleştirmeniz ve bunlarda gezinmeniz gerekir.

Bu tür soruları düzenli olarak sorarsanız graf modeli doğal bir uyum sağlar.

Microsoft Fabric'daki grafın tek başına grafik veritabanlarıyla karşılaştırması

Verilerinizi grafik olarak temsil etmek ve ayrı, tek başına bir grafik veritabanında depolamak genellikle ETL (ayıklama, dönüştürme, yükleme) ve idare ek yükü getirir. Buna karşılık, Microsoft Fabric'deki graf doğrudan OneLake üzerinde çalışır ve bu da ayrı ETL işlem hatları ve veri yineleme gereksinimini azaltır veya ortadan kaldırır. Şu avantajları göz önünde bulundurun:

  • Veri taşıma ve yineleme: Tek başına grafik veritabanları genellikle verilerin ayrı bir depoya ayıklanması, dönüştürülmesi ve yüklenmesini gerektirir; bu da karmaşıklığı artırır ve yinelenen veri kümelerine yol açabilir. Graph OneLake üzerinde çalışır, böylece bağlı verileri taşımadan modelleyebilir ve sorgulayabilirsiniz.
  • operasyonel maliyetler: Tek başına grafik yığınları ayrı kümeler veya hizmetler olarak çalışır ve genellikle boşta kapasite ücretleri taşır. Grafikte, iş yükleri, otomatik ölçek küçültme ve merkezi ölçümlerle havuza alınan kapasite birimlerini (CU) kullanır, bu da uygulamaları kolaylaştırır ve maliyeti düşürebilir.
  • Ölçeklenebilirlik: Bazı tek başına grafik veritabanları ölçeği artırmaya veya satıcıya özgü kümeleme işlemlerine bağlıdır. Graf, büyük ölçekli grafikler için tasarlanmıştır ve büyük veri iş yüklerini verimli bir şekilde işlemek için birden çok işçi arasında ölçeklenebilir parçalama kullanır.
  • Araçlar ve beceriler: Satıcıya özgü grafik sistemleri özel diller ve ayrı analiz çerçeveleri gerektirebilir. Graph, birleşik modelleme, standartlara dayalı sorgulama (GQL), yerleşik grafik analiz algoritmaları, iş zekası ve yapay zeka tümleştirmesi sağlar, Fabric Veri Aracısı desteği ile doğal dil ile grafik sorgulama (önizleme) ve düşük/kodsuz keşif araçları dahil. Bu özellikler, daha geniş bir kullanıcı kümesinin bağlı verilerle çalışmasını sağlar.
  • İdare ve güvenlik: Ayrı grafik dağıtımları için bağımsız idare ve güvenlik kurulumları gerekir. Graph, OneLake yönetimi, köken izleme ve çalışma alanı rol tabanlı erişim denetimini (RBAC) kullandığı için uyumluluk, denetim ve izinler Fabric ortamınızın geri kalanıyla tutarlı kalır.

İlgili içerik

  • Last updated on