圖形語意可讓您將數據模型化和查詢為互連的網路。 圖表是由連接它們的節點（實體）和邊緣（關聯性）所組成。 節點和邊緣都可以包含屬性，為複雜的關聯性建立豐富的數據模型。
圖表擅長代表具有多對多關聯性、階層式結構或網路連線的複雜數據，例如社交網路、建議系統、連線資產和知識圖表。 不同於需要索引和聯結才能跨數據表連接數據的關係資料庫，圖形資料庫使用節點之間的鄰接來快速且直覺地遍歷關聯性。
下圖說明網路安全攻擊路徑案例。 節點代表實體，例如外部來源、使用者和重要資產，而邊緣則代表構成潛在攻擊順序的動作或關聯性。
圖形查詢會利用圖表結構來執行複雜的作業，例如尋找路徑、模式、最短距離、社群和集中量值。 這些功能讓圖形在模型化關聯性、互動、相依性和流程方面具有強大的功能，包括社交網路、供應鏈、IoT 裝置網路、數字對應項、建議系統和組織結構。
下圖顯示供應鏈案例，其中節點代表供應商、製造商和經銷商，邊緣代表供應關係。 此範例說明圖表如何在不同商業脈絡中模擬流程和相依性。
為什麼要使用圖表語意？
圖形功能藉由 利用現有的數據投資 ，同時新增複雜的關聯性模型，提供顯著優勢：
- 不需要數據遷移 - 直接從目前數據建置圖形模型，而不會重複。
- 符合成本效益的解決方案 - 消除專用圖表資料庫的複雜性和費用。
- 時態分析支援 - 身為時間序列資料庫，您可以自然分析圖表隨時間演進的方式。
- 事件型模型 - 將圖形模型化為關聯性事件的序列，並配合強式事件處理功能。
- 無縫 KQL 整合 - 圖形運算符會與所有現有的 KQL 功能一起運作，並具備完整的 IntelliSense 支援。
此方法提供 企業級關聯性模型化 ，同時維護效能、規模和熟悉的介面。 組織可以分析跨網域的複雜互連數據，從供應鏈和組織階層到IoT裝置網路和社交關係，而不需要額外的基礎結構投資。
暫時性圖形建立方法
暫時性圖表是使用 make-graph 運算符動態建立的。 這些圖表會在查詢執行期間存在於記憶體中，而且會在查詢完成時自動捨棄。
主要特性
- 動態創建 - 從表格式數據生成，使用 KQL 查詢，並且整個結構都存在於記憶體中
- 立即可用性 - 沒有前置處理或設定需求
- 記憶體限制 - 圖形大小受限於叢集節點上的可用記憶體
- 效能因素 - 圖形拓撲和屬性大小決定記憶體需求
這種方法最適合需要立即分析的較小至中型數據集。
暫時性圖形的使用案例
暫時性圖表在數個案例中表現得很出色：
- 特定目的分析 - 一次性調查需要快速的模式分析
- 探勘數據分析 - 測試假設和驗證分析方法
- 小型至中型數據集 - 即時分析最近的事件或焦點數據子集
- 快速原型設計 - 在實作持續性模型之前測試圖形模式
- 動態數據分析 - 經常變更的數據，無法證明永續性記憶體的合理性
常見的應用程式包括即時IoT監視、供應鏈關聯性分析、客戶旅程圖，以及任何需要立即可視化實體關聯性的案例。
持續性圖表建立方法
持續性圖表會使用 圖形模型 和 圖形快照 集，為代表組織網路、供應鏈、IoT 生態系統、數位對應項和其他互連數據網域的大型複雜圖表提供強大的解決方案。
持續性圖形的主要特性
- 永續性記憶體 - 圖形模型和快照集會儲存在資料庫元數據中，以取得持久性和一致性
- 延展性 - 使用企業級分析功能處理超過記憶體限制的圖表
- 可重複使用性 - 多個使用者可以查詢相同的結構，而不需重建，即可啟用共同作業分析
- 效能優化 - 消除重複查詢的圖形建構延遲
- 版本控制 - 多個快照集代表在不同時間點進行歷程分析的圖表
- 架構支援 - 不同實體類型和其屬性的結構化定義
架構功能同時支援靜態標籤（在圖表模型中預先定義）和動態標籤（從數據運行時間產生），為具有各種實體類型的複雜環境提供彈性。
永續性圖形的使用案例
持續性圖表對於下列專案而言很重要：
- 企業分析 - 跨複雜網路的連續監視工作流程
- 大規模數據分析 - 具有數百萬個節點和關聯性的企業級圖表
- 共同作業分析 - 多個小組使用共享圖表結構
- 生產工作流程 - 需要一致圖形存取的自動化系統
- 歷史比較 - 圖表演變和變更的時間型分析
範例：數位雙胞胎持續圖譜
在數位孿生和IoT場景中，持續圖形支援對裝置關聯、設備相依性和系統隨時間演進的定期分析。 歷史分析可讓您比較不同時期的系統狀態、追蹤資產的演進，以及進行長期趨勢分析。
範例：IoT 和數位孿生持久圖
IoT 和數位雙胞胎應用程式在建模實體裝置與其跨分散式系統的虛擬表示之間的複雜關係時，可以大幅受益於持久性圖。 這些圖表可讓組織：
- 建立IoT部署和連線資產的完整模型
- 支援即時監視、預測性維護和效能優化
- 分析設備相依性並識別潛在的故障點
- 透過實體和邏輯拓撲瞭解將感測器位置優化
- 追蹤裝置設定、通訊和效能特性隨時間的變化
- 偵測通訊模式異常並可視化智慧環境演進
- 實作實體基礎結構變更之前，先模擬作業條件
這種持續性方法對於大規模管理複雜的IoT生態系統來說非常寶貴。
圖形查詢功能
建立圖表之後（透過 make-graph 或從快照集建立），您就可以利用完整的 KQL 圖形運算子套件來進行全面分析：
核心運算子：
-
graph-match- 啟用複雜的模式比對和遍歷操作，以識別複雜的關聯性序列 -
graph-shortest-paths- 尋找實體之間的最佳路徑，協助設定連線的優先順序並識別重要關聯性 -
graph-to-table- 將圖表分析結果轉換成表格式格式，以便與現有系統整合
進階分析功能：
- 以時間為基礎的分析 - 檢查關聯性和模式如何隨著時間發展
- 地理空間整合 - 結合圖形數據與以位置為基礎的智慧進行地理模式分析
- 機器學習整合 - 套用演算法以進行實體叢集、模式分類和異常偵測
這些功能支援各種使用案例，包括客戶旅程分析、產品建議系統、IoT 網路、數位對應項和知識圖表。
選擇正確的方法
下列判定樹可協助您根據特定需求和條件約束來選取最適當的圖表建立方法。
判定樹：暫時性與永續性圖形
使用暫時性圖形的時機
針對下列項目選擇暫時性圖表：
- 圖形大小低於 1000 萬個節點和邊緣 （以獲得最佳效能）
- 具有最少共同作業需求的單一使用者或小型小組分析
- 立即需要結果的一次性或探勘調查
- 需要目前狀態信息的實時數據分析
- 圖形模式和查詢邏輯的快速原型設計和測試
雖然暫時性圖表可以處理較大的數據集，但查詢運行時間會增加，因為每個查詢都必須重新建構圖形。 使用較大的數據集時，請考慮此效能取捨。
使用永續性圖形的時機
針對下列項目選擇持續性圖表：
- 圖形大小超過 1000 萬個節點和邊，其中分散式儲存會有所幫助
- 需要共用存取權以進行共同作業分析的多個小組
- 對建構延遲影響生產力的穩定數據集進行重複分析
- 生產工作流程整合 需要一致且可靠的圖表存取
- 歷史比較的需求用於追蹤時間內的變化
- 影響查詢效能的記憶體容量限制
- 跨小組和時區的共同作業調查工作流程
使用企業級數據或記憶體限制會影響效能時，持續性圖表至關重要。
效能考量
記憶體使用量
- 暫時性圖表 - 受限於單一叢集節點記憶體，限制使用於可用 RAM 內的數據集
- 持續性圖表 - 針對企業級數據運用分散式記憶體和優化存取模式
查詢延遲
- 暫時性圖 - 在每個查詢中納入建構時間，大型數據集或外部數據來源的延遲會增加
- 持續性圖表 - 透過預先建置的快照集消除建構延遲，以快速分析
外部數據源相依性，例如跨叢集查詢或 SQL 和 CosmosDB 的外部數據表，可能會大幅影響暫時性圖形建構時間，因為每個查詢都必須等候外部回應。
數據新鮮度
- 暫時性圖表 - 一律反映目前的數據狀態，非常適合用於即時分析
- 持續性圖表 - 在快照集建立時反映數據，提供共同作業分析的一致性，但需要定期重新整理
與 KQL 生態系統整合
圖形語意與 KQL 更廣泛的功能緊密整合：
- 時間序列分析 - 追蹤一段時間的關聯性演進
- 地理空間函式 - 分析以位置為基礎的模式和地理異常
- 機器學習運算子 - 偵測模式、分類行為及識別異常
- 純量和表格式運算符 - 啟用複雜的轉換、匯總和數據擴充
這項整合可讓複雜的工作流程，包括供應鏈演進追蹤、地理資產分佈分析、透過叢集演算法進行社群偵測，以及與傳統記錄分析和外部智慧的圖表深入解析相互關聯。