Graf semantiğine genel bakış

Sürüm açılan listesini kullanarak hizmetler arasında geçiş yapın. Gezinti hakkında daha fazla bilgi edinin.
Şunlar için geçerlidir: ✅ Microsoft Fabric ✅ Azure Veri Gezgini ✅ Azure İzleyici ✅ Microsoft Sentinel

Graf semantiği, verileri birbirine bağlı ağlar olarak modellemenizi ve sorgulamanızı sağlar. Graf, bunları bağlayan düğümlerden (varlıklar) ve kenarlardan (ilişkiler) oluşur. Hem düğümler hem de kenarlar özellikler içerebilir ve karmaşık ilişkiler için zengin bir veri modeli oluşturabilir.

Graflar, sosyal ağlar, öneri sistemleri, bağlı varlıklar ve bilgi grafikleri gibi çoka çok ilişkiler, hiyerarşik yapılar veya ağ bağlantılı bağlantılar ile karmaşık verileri temsil etme konusunda mükemmeldir. Tablolar arasında veri bağlamak için dizinler ve birleşimler gerektiren ilişkisel veritabanlarından farklı olarak, grafikler düğümler arasında doğrudan bitişiklik kullanarak ilişkilerin hızlı ve sezgisel bir şekilde geçişini sağlar.

Aşağıdaki grafikte siber güvenlik saldırı yolu senaryosu gösterilmektedir. Düğümler dış kaynaklar, kullanıcılar ve kritik varlıklar gibi varlıkları temsil ederken kenarlar olası bir saldırı dizisi oluşturan eylemleri veya ilişkileri temsil eder.

Graf sorguları; yolları, desenleri, en kısa mesafeleri, toplulukları ve merkezilik ölçülerini bulma gibi karmaşık işlemleri gerçekleştirmek için graf yapısını kullanır. Bu özellikler grafları sosyal ağlar, tedarik zincirleri, IoT cihaz ağları, dijital ikizler, öneri sistemleri ve kuruluş yapıları gibi etki alanları arasında ilişkileri, etkileşimleri, bağımlılıkları ve akışları modellemek için güçlü hale getirir.

Aşağıdaki grafikte, düğümlerin tedarikçileri, üreticileri ve dağıtımcıları temsil ettiği, kenarların ise tedarik ilişkilerini temsil ettiği bir tedarik zinciri senaryosu gösterilmektedir. Bu örnek, grafiklerin farklı iş bağlamlarında akışları ve bağımlılıkları nasıl modellediğini gösterir.

Graf semantiğini neden kullanmalısınız?

Grafik özellikleri, gelişmiş ilişki modellemesi eklerken mevcut veri yatırımlarından yararlanarak önemli avantajlar sunar:

• Veri geçişi gerekmez - Yinelenenleri kaldırmadan doğrudan geçerli verilerden grafik modelleri oluşturun.
• Uygun maliyetli çözüm - Ayrılmış grafik veritabanlarının karmaşıklığını ve maliyetini ortadan kaldırır.
• Zamana bağlı analiz desteği - Zaman serisi veritabanı olarak grafiklerin zaman içinde nasıl geliştiğini doğal olarak analiz edebilirsiniz.
• Olay tabanlı modelleme - Güçlü olay işleme özellikleriyle uyumlu olarak, ilişki olaylarının dizileri olarak grafikleri modeller.
• Sorunsuz KQL tümleştirmesi - Grafik operatörleri, tam IntelliSense desteğiyle mevcut tüm KQL özellikleriyle birlikte çalışır.

Bu yaklaşım, performansı, ölçeği ve tanıdık bir arabirimi korurken kurumsal düzeyde ilişki modellemesi sunar. Kuruluşlar, ek altyapı yatırımları olmadan tedarik zincirleri ve kuruluş hiyerarşilerinden IoT cihaz ağlarına ve sosyal ilişkilere kadar etki alanları arasında karmaşık birbirine bağlı verileri analiz edebilir.

Geçici graf oluşturma yaklaşımı

Geçici grafikler işleci kullanılarak make-graph dinamik olarak oluşturulur. Bu grafikler sorgu yürütme sırasında bellekte bulunur ve sorgu tamamlandığında otomatik olarak atılır.

Temel özellikler

• Dinamik oluşturma - Tüm yapı bellekte bulunan KQL sorguları kullanılarak tablosal verilerden derlenir
• Anında kullanılabilirlik - Ön işlem veya kurulum gereksinimi yok
• Bellek kısıtlamaları - Grafik boyutu küme düğümlerindeki kullanılabilir bellekle sınırlıdır
• Performans faktörleri - Grafik topolojisi ve özellik boyutları bellek gereksinimlerini belirler

Bu yaklaşım, anında analiz yapılması gereken küçük ve orta ölçekli veri kümeleri için idealdir.

Geçici grafikler için kullanım örnekleri

Geçici grafikler çeşitli senaryolarda mükemmeldir:

• Geçici analiz - Hızlı desen incelemesi gerektiren tek seferlik araştırmalar
• Keşif veri analizi - Hipotezleri test etme ve analitik yaklaşımları doğrulama
• Küçük ve orta ölçekli veri kümeleri - Son olayların veya odaklanmış veri alt kümelerinin gerçek zamanlı analizi
• Hızlı prototip oluşturma - Kalıcı modeller uygulamadan önce graf desenlerini test etme
• Dinamik veri analizi - Kalıcı depolamayı haklı çıkarmayan verileri sık sık değiştirme

Yaygın uygulamalar arasında gerçek zamanlı IoT izleme, tedarik zinciri ilişki analizi, müşteri yolculuğu eşlemesi ve varlık ilişkilerinin hemen görselleştirmesini gerektiren tüm senaryolar yer alır.

Kalıcı graf oluşturma yaklaşımı

Kalıcı grafikler; kuruluş ağlarını, tedarik zincirlerini, IoT ekosistemlerini, dijital ikizleri ve diğer birbirine bağlı veri etki alanlarını temsil eden büyük ölçekli ve karmaşık grafikler için sağlam çözümler sağlamak için graf modellerini ve graf anlık görüntülerini kullanır.

Kalıcı grafikler için temel özellikler

• Kalıcı depolama - Grafik modelleri ve anlık görüntüleri, dayanıklılık ve tutarlılık için veritabanı meta verilerinde depolanır
• Ölçeklenebilirlik - Kurumsal ölçekli analiz özellikleriyle bellek sınırlamalarını aşan grafikleri işleme
• Yeniden kullanılabilirlik - Birden çok kullanıcı aynı yapıyı yeniden oluşturmadan sorgulayabilir ve işbirliğine dayalı analizi etkinleştirebilir
• Performans iyileştirme - Yinelenen sorgular için grafik oluşturma gecikme süresini ortadan kaldırın
• Sürüm denetimi - Geçmiş analizi için farklı zaman noktalarında grafikleri temsil eden birden çok anlık görüntü
• Şema desteği - Farklı varlık türleri ve özellikleri için yapılandırılmış tanımlar

Şema özelliği hem statik etiketleri (grafik modelinde önceden tanımlanmış) hem de dinamik etiketleri (verilerden çalışma zamanında oluşturulan) destekler ve çeşitli varlık türlerine sahip karmaşık ortamlar için esneklik sağlar.

Kalıcı grafikler için kullanım örnekleri

Kalıcı grafikler şunlar için gereklidir:

• Kurumsal analiz - Karmaşık ağlar arasında sürekli izleme iş akışları
• Büyük ölçekli veri analizi - Milyonlarca düğüm ve ilişki içeren kurumsal ölçekli grafikler
• İşbirliğine dayalı analiz - Paylaşılan grafik yapıları ile çalışan birden çok ekip
• Üretim iş akışları - Tutarlı graf erişimi gerektiren otomatik sistemler
• Geçmiş karşılaştırması - Graf evrimi ve değişikliklerinin zamana dayalı analizi

Örnek: Dijital İkiz Sürekli Grafiği

Dijital ikiz ve IoT senaryolarında kalıcı grafikler cihaz ilişkilerinin, ekipman bağımlılıklarının ve sistem evriminin zaman içinde düzenli olarak analizini destekler. Geçmiş analiz, sistem durumlarının farklı dönemlerde karşılaştırılmasına, varlıkların evrimini izlemeye ve uzun vadeli eğilim analizi gerçekleştirmeye olanak tanır.

Örnek: IoT ve dijital ikiz devamlı grafiği

IoT ve dijital ikiz uygulamaları, fiziksel cihazlar ve bunların dağıtılmış sistemlerdeki sanal gösterimleri arasındaki karmaşık ilişkileri modellerken kalıcı graflardan önemli ölçüde yararlanıyor. Bu grafikler kuruluşların şunları yapmasını sağlar:

• IoT dağıtımlarının ve bağlı varlıkların kapsamlı modellerini oluşturma
• Gerçek zamanlı izleme, tahmine dayalı bakım ve performans iyileştirme desteği
• Ekipman bağımlılıklarını analiz etme ve olası hata noktalarını belirleme
• Fiziksel ve mantıksal topolojiyi anlayarak sensör yerleşimlerini iyileştirme
• Cihaz yapılandırmalarını, iletişimleri ve zaman içindeki performans özelliklerini izleme
• İletişim deseni anomalilerini algılama ve akıllı ortam evrimi görselleştirme
• Fiziksel altyapı değişikliklerini uygulamadan önce çalışma koşullarının benzetimini yapın

Bu kalıcı yaklaşım, karmaşık IoT ekosistemlerini büyük ölçekte yönetmek için çok değerli olduğunu kanıtlar.

Graf sorgulama özellikleri

Grafik oluşturulduktan sonra (make-graph aracılığıyla veya bir anlık görüntüden), kapsamlı analiz için KQL grafik işleçlerinin tamamını kullanabilirsiniz.

Çekirdek işleçler:

• graph-match - Karmaşık ilişki dizilerini tanımlamak için karmaşık desen eşleştirme ve çapraz geçiş işlemlerini etkinleştirir
• graph-shortest-paths - Varlıklar arasında en uygun yolları bularak bağlantıların önceliğini belirlemeye ve kritik ilişkileri belirlemeye yardımcı olur
• graph-to-table - Grafik analizi sonuçlarını mevcut sistemlerle tümleştirme için tablosal biçime dönüştürür

Gelişmiş analiz özellikleri:

• Zamana dayalı analiz - İlişkilerin ve desenlerin zaman içinde nasıl geliştiğini inceleme
• Jeo-uzamsal tümleştirme - Coğrafi desen analizi için graf verilerini konum tabanlı zekayla birleştirme
• Makine öğrenmesi tümleştirmesi - Varlık kümeleme, desen sınıflandırması ve anomali algılama için algoritmalar uygulama

Bu özellikler müşteri yolculuğu analizi, ürün öneri sistemleri, IoT ağları, dijital ikizler ve bilgi grafikleri gibi çeşitli kullanım örneklerini destekler.

Doğru yaklaşımı seçme

Aşağıdaki karar ağacı, özel gereksinimlerinize ve kısıtlamalarınıza göre en uygun graf oluşturma yaklaşımını seçmenize yardımcı olur.

Karar Ağacı: Geçici ve Kalıcı Grafikler

Geçici grafiklerin ne zaman kullanılacağı

Geçici grafikleri seçin:

• Graf boyutu 10 milyon düğümün ve kenarın altında (en iyi performans için)
• Minimum işbirliği gereksinimleriyle tek kullanıcı veya küçük ekip analizi
• Anında sonuçların gerekli olduğu tek seferlik veya keşif amaçlı araştırmalar
• Geçerli durum bilgilerini gerektiren gerçek zamanlı veri analizi
• Grafik desenlerinin ve sorgu mantığının hızlı prototipi ve testi

Geçici grafikler daha büyük veri kümelerini işleyebilirken, grafiğin her sorgu için yeniden yapılandırılması gerektiğinden sorgu yürütme süresi artar. Daha büyük veri kümeleriyle çalışırken bu performanstan ödün vermeyi göz önünde bulundurun.

Kalıcı graflar ne zaman kullanılır?

Kalıcı grafikleri seçin:

• Dağıtılmış depolamanın yararlı olduğu 10 milyon düğümü ve kenarı aşan grafik boyutu
• İşbirliğine dayalı analiz için paylaşılan erişim gerektiren birden çok ekip
• İnşaat gecikme süresinin üretkenliği etkilediği kararlı veri kümelerinde yinelenen analiz
• Tutarlı ve güvenilir graf erişimi gerektiren üretim iş akışı tümleştirmesi
• Zaman içindeki değişiklikleri izlemek için geçmişe dönük karşılaştırma gereksinimleri
• Sorgu performansını etkileyen bellek kapasitesi sınırlamaları
• Ekipler ve saat dilimleri arasında işbirliğine dayalı araştırma iş akışları

Kalıcı grafikler, kurumsal ölçekli verilerle çalışırken veya bellek sınırlamaları performansı etkilerken önemlidir.

Performansla ilgili dikkat edilmesi gerekenler

Bellek kullanımı

• Geçici grafikler - Tek küme düğümü belleğiyle sınırlıdır, kullanımını kullanılabilir RAM içindeki veri kümeleriyle kısıtlar
• Kalıcı grafikler - Kurumsal ölçekli veriler için dağıtılmış depolama ve iyileştirilmiş erişim desenlerinden yararlanma

Sorgu gecikme süresi

• Geçici grafikler - Sorgulama sırasında oluşturma süresi dahil edilir, özellikle büyük veri kümeleri veya dış veri kaynakları kullanıldığında gecikmeler artar.
• Kalıcı grafikler - Önceden oluşturulmuş anlık görüntülerle inşaat gecikme süresini ortadan kaldırarak hızlı analize olanak tanır

Kümeler arası sorgular veya SQL ve CosmosDB'ye dış tablolar gibi dış veri kaynağı bağımlılıkları, her sorgu dış yanıtları beklemesi gerektiğinden geçici grafik oluşturma süresini önemli ölçüde etkileyebilir.

Veri tazeliği

• Geçici grafikler - Her zaman geçerli veri durumunu yansıtır, gerçek zamanlı analiz için idealdir
• Kalıcı grafikler - Anlık görüntü oluşturma zamanında verileri yansıtarak işbirliğine dayalı analiz için tutarlılık sağlar ancak düzenli yenilemeler gerektirir

KQL ekosistemi ile tümleştirme

Graf semantiği, KQL'in daha geniş özellikleriyle sorunsuz bir şekilde tümleştirilir:

• Zaman serisi analizi - Zaman içinde ilişki evrimi izleme
• Jeo-uzamsal işlevler - Konum tabanlı desenleri ve coğrafi anomalileri analiz etme
• Makine öğrenmesi işleçleri - Desenleri algılama, davranışları sınıflandırma ve anomalileri tanımlama
• Skaler ve tablo işleçleri - Karmaşık dönüştürmeleri, toplamaları ve veri zenginleştirmeyi etkinleştirme

Bu tümleştirme, tedarik zinciri evrimi izleme, coğrafi varlık dağıtım analizi, kümeleme algoritmaları aracılığıyla topluluk algılama ve geleneksel günlük analizi ve dış zeka ile graf içgörülerinin bağıntısını içeren gelişmiş iş akışları sağlar.

İlgili içerik

• KQL graf semantiğini kullanmaya yönelik yaygın senaryolar
• KQL grafı semantiği için en iyi yöntemler
• Grafik işleçleri
• Graf modeline genel bakış
• Grafik anlık görüntülerine genel bakış