共计 7309 个字符，预计需要花费 19 分钟才能阅读完成。
本文为 #nLive vol.001|美团图数据库平台建设及业务实际# 主题演讲的文字稿，可返回 B 站 观看本次视频
大家好，我是来自美团的赵登昌，明天我给大家分享下美团图数据库平台的建设以及业务实际。
这是本次报告的提纲，次要包含以下六方面内容。
背景介绍
首先介绍下美团在图数据方面的业务需要。
美团外部有比拟多的图数据存储以及多跳查问需要，总体来说有以下 4 个方面：
第一个方面是 常识图谱 方向，美团外部有美食图谱、商品图谱、游览图谱在内的近 10 个畛域常识图谱，数据量级大略在千亿级别。在迭代、开掘数据的过程中，须要一种组件对这些图谱数据进行对立治理。
第二个方面是 平安风控。业务部门有内容风控的需要，心愿在商户、用户、评论中通过多跳查问来辨认虚伪评估；在领取时进行金融风控验证，实时多跳查问危险点。
第三个方面是 链路剖析，比如说：数据血统治理，公司数据平台上有很多 ETL Job，Job 和 Job 之间存在强弱依赖关系，这些强弱依赖关系造成了一张图，在进行 ETL Job 的优化或者故障解决时，须要对这个图进行剖析。相似的需要还有代码剖析、服务治理等。
第四个方面是 组织架构治理，包含：公司组织架构的治理，实线汇报链、虚线汇报链、虚构组织的治理，以及商家连锁门店的治理。比方，须要治理一个商家在不同区域都有哪些门店，可能进行多层关系查找或者逆向关系搜寻。
总体来说，咱们须要一种组件来治理千亿级别的图数据，解决图数据存储以及多跳查问问题。
传统的关系型数据库、NoSQL 数据库能够用来存储图数据，然而不能很好解决图上多跳查问这一高频操作。Neo4j 公司在社交场景做了 MySQL 和 Neo4j 的多跳查问性能比照，具体测试场景是，在一个 100 万人、每个人大略有 50 个敌人的社交网络里找最大深度为 5 的敌人的敌人。从测试后果看，查问深度增大到 5 时，MySQL 曾经查不出后果了，但 Neo4j 仍然能在秒级返回数据。试验结果表明多跳查问中图数据库劣势显著。
图数据库选型
上面介绍咱们的图数据库选型工作。
咱们次要有以下 5 个图数据库选型要求
- A. 我的项目开源，临时不思考须要付费的图数据库；
- B. 分布式的架构设计，具备良好的可扩展性；
- C. 毫秒级的多跳查问提早；
- D. 反对千亿量级点边存储；
- E. 具备批量从数仓导入数据的能力。
咱们剖析了 DB-Engine 上排名 Top30 的图数据库，剔除不开源的我的项目后，把剩下的图数据库分成三类。
- 第一类包含 Neo4j、ArangoDB、Virtuoso、TigerGraph、RedisGraph。此类图数据库只有单机版本开源可用，性能比拟优良，然而不能应答分布式场景中数据的规模增长，即不满足选型要求 B、D；
- 第二类包含 JanusGraph、HugeGraph。此类图数据库在现有存储系统之上新增了通用的图语义解释层，图语义层提供了图遍历的能力，然而受到存储层或者架构限度，不反对残缺的计算下推，多跳遍历的性能较差，很难满足 OLTP 场景下对低延时的要求，即不满足选型要求 C；
- 第三类包含 Dgraph、Nebula Graph。此类图数据库依据图数据的特点对数据存储模型、点边散布、执行引擎进行了全新设计，对图的多跳遍历进行了深度优化，根本满足咱们对图数据库的选型要求
之后咱们在一个公开社交数据集上（大概 200 亿点边）对 Nebula Graph、Dgraph、HugeGraph 进行了深度性能测评。次要从三个方面进行评测：
- 批量数据的导入
- 实时写入性能测试
- 数据多跳查问性能测试
测试详情见 Nebula 论坛：支流开源分布式图数据库 Benchmark ????
从测试后果看 Nebula Graph 在数据导入、实时写入及多跳查问方面性能均优于竞品。此外，Nebula Graph 社区沉闷，问题的响应速度快，所以团队最终抉择了基于 Nebula Graph 来搭建图数据库平台。
图数据库平台建设
上面介绍美团图数据库平台的建设，整个图数据库平台包含 4 层。
第一层是 数据生产层，平台的图数据次要有两种起源，第一种是业务方把数仓中数据通过 ETL Job 转成点和边的 Hive 表，而后离线导入到图数据库中；第二种是业务线上实时产生的数据、或者通过 Spark、Flink 等流式解决产生的近线数据，实时地通过 Nebula Graph 提供的在线批量接口灌到图数据库中。
第二层是 数据存储层，平台反对两种图数据库集群的部署形式。
- 第一种是 CP 计划，即 Consistency & Partition tolerance，这是 Nebula Graph 原生反对的集群部署形式。单集群部署，集群中机器数量大于等于正本的数量，正本数量大于等于 3。只有集群中有大于正本数一半的机器存活，整个集群就能够对外失常提供服务。CP 计划保障了数据读写的强一致性，但这种部署形式下集群可用性不高。
- 第二种部署形式是 AP 计划，即 Availability & Partition tolerance，在一个利用中部署多个图数据库集群，每个集群数据正本数为 1，多集群之间进行互备。这种部署形式的益处在于整个利用对外的可用性高，但数据读写的一致性要差点。
第三层是 数据应用层，业务方能够在业务服务中引入平台提供的图谱 SDK，实时地对图数据进行增删改查。
第四层是 撑持平台，提供了 Schema 治理、权限治理、数据质检、数据增删改查、集群扩缩容、图谱画像、图数据导出、监控报警、图可视化、集群包治理等性能。
通过这四层架构设计，目前图数据库平台根本具备了对图数据的一站式自助治理性能。如果某个业务方要应用这种图数据库能力，那么业务方能够在这个平台上自助地创立图数据库集群、创立图的 Schema、导入图数据、配置导入数据的执行打算、引入平台提供的 SDK 对数据进行操作；平台侧次要负责各业务方图数据库集群的稳定性。目前有三、四十个业务在平台上真正落地，根本能满足各个业务方需要。
再介绍下图数据库平台中几个外围模块的设计。
高可用模块设计
首先是单利用多集群高可用模块的设计（AP 计划）。为什么有 AP 计划的设计呢？因为接入这个图数据库平台的业务方比拟在意的指标是集群可用性。在线服务对集群的可用性要求十分高，最根底的要求是集群可用性能达到 4 个 9，即一年里集群的不可用工夫要小于一个小时，对于在线服务来说，服务或者集群的可用性是整个业务的生命线，如果这点保障不了，即便集群提供的能力再多再丰盛，那么业务方也不会思考应用，可用性是业务选型的根底。
另外公司要求中间件要有跨区域容灾能力，即要具备在多个地区部署多集群的能力。咱们剖析了平台接入方的业务需要，大概 80% 的场景是 T+1 全量导入数据、线上只读；在这种场景下对图数据的读写强一致性要求并不高，因而咱们设计了单利用多集群这种部署计划。
部署形式能够参考上图，一个业务方在图数据库平台上创立了 1 个利用并部署了 4 个集群，其中北京 2 个、上海 2 个，平时这 4 个集群同时对外提供服务。如果当初北京集群 1 挂了，那么北京集群 2 能够提供服务。如果说真那么不巧，北京集群都挂了，或者对外的网络不可用，那么上海的集群能够提供服务，这种部署形式下，平台会尽可能地通过一些形式来保障整个利用的可用性。而后每个集群外部尽量部署同机房的机器，因为图数据集群外部 RPC 是十分多的，如果有跨机房或者跨区域的频繁调用，整个集群对外的性能会比拟低。
这个 AP 模块的设计次要蕴含上面 4 个局部：
- 第一局部是右侧的图数据库 Agent，它是部署在图数据库集群的一个过程，用来收集机器和 Nebula Graph 三个外围模块的信息，并上报到图数据库平台。Agent 可能接管图数据库平台的命令并对图数据库进行操作。
- 第二局部是图治理平台，它次要是对集群进行治理，并同步图数据库集群的状态到配置核心。
- 第三局部是图数据库 SDK，它次要做的事件是治理连贯到图数据库集群的连贯。如果业务方发送了某个查问申请，SDK 会进行集群的路由和负载平衡，抉择出一条高质量的连贯来发送申请。此外，SDK 还会解决图数据库集群中问题机器的主动降级以及复原，并且要反对平滑切换集群的数据版本。
- 第四局部是配置核心，相似 ZooKeeper，存储集群的以后状态。
每小时百亿级数据导入模块设计
第二个模块是每小时百亿量级数据导入模块，下面说了业务场景里 80% 是 T+1 全量导入数据，而后线上只读。平台在 19 年底 / 20 年初全量导入数据的形式是调用 Nebula Graph 对外提供的批量数据导入接口，这种形式的数据写入速率大略是每小时 10 亿级别，导入百亿数据大略要消耗 10 个小时，这个工夫有点久。此外，在以几十万每秒的速度导数据的过程中，会长期占用机器的 CPU、IO 资源，一方面会对机器造成损耗，另一方面数据导入过程中集群对外提供的读性能会变弱。
为了解决下面两个问题，平台进行了如下优化：在 Spark 集群中间接生成图数据库底层文件 sst file，再借助 RocksDB 的 bulkload 性能间接 ingest 文件到图数据库。这部分提速优化工作在 19 年底的时候就开始了，然而两头遇到 core dump 问题没有上线。在 20 年六、七月份的时候，微信的本利大佬向社区提交了这方面的 pr，和他在线沟通之后解决了咱们的问题，在这里感激一下本利大佬 ????。
图数据库平台数据导入的外围流程能够看左边这张图，当用户在平台上提交了导数据操作后，图数据库平台会向公司的 Spark 集群提交一个 Spark 工作，在 Spark 工作中会生成图数据库里相干的点、边以及点索引、边索引相干的 sst 文件，并上传到公司的 S3 云存储上。文件生成后，图数据库平台会告诉利用里的多个集群去下载这些存储文件，之后实现 ingest 跟 compact 操作，最初实现数据版本的切换。
平台方为兼顾各个业务方的不同需要，对立了利用导入、集群导入、离线导入、在线导入以及全量导入、增量导入这些场景，而后细分成上面九个阶段，从流程上保障在导数据过程中利用整体的可用性。
- sst file 生成
- sst file 下载
- ingest
- compact
- 数据校验
- 增量回溯
- 数据版本切换
- 集群重启
- 数据预热
实时写入多集群数据同步模块设计
第三个模块是实时写入多集群数据同步，平台有 15% 的需要场景是在实时读取数据时，还要把新产生的业务数据实时写入集群，并且对数据的读写强一致性要求不高，就是说业务方写到图数据库里的数据，不须要立马能读到。
针对上述场景，业务方在应用单利用多集群这种部署计划时，多集群里的数据须要保障最终一致性。平台做了以下设计，第一局部是引入 Kafka 组件，业务方在服务中通过 SDK 对图数据库进行写操作时，SDK 并不间接写图数据库，而是把写操作写到 Kafka 队列里，之后由该利用下的多个集群异步生产这个 Kafka 队列。
第二局部是集群在利用级别可配置生产并发度，来控制数据写入集群的速度。具体流程是
- SDK 对用户写操作语句做语法解析，将其中点边的批量操作拆解成对单个点边操作，即对写语句做一次改写
- Agent 生产 Kafka 时确保每个点及其出边相干操作在单个线程里程序执行，保障这点就能保障各个集群执行完写操作后最终的后果是统一的。
- 并发扩大：通过扭转 Kafka 分片数、Agent 中生产 Kafka 线程数来变更和调整 Kafka 中操作的生产速度。
- 如果将来 Nebula Graph 反对事务的话，下面的配置须要调整成单分片单线程生产，平台须要对设计方案再做优化调整。
第三局部是在实时写入数据过程中，图数据库平台能够同步生成一个全量数据版本，并做平滑切换，通过右图里的流程来确保数据的不重不漏不提早。
图可视化模块设计
第四个模块是图可视化模块，平台在 2020 年上半年调研了 Nebula Graph 官网的图可视化设计跟一些第三方开源的可视化组件，而后在图数据库平台上减少了通用的图可视化性能，次要是用于解决子图摸索问题；当用户在图数据库平台通过可视化组件查看图数据时，能尽量通过失当的交互设计来防止因为节点过多而引发爆屏。
目前，平台上的可视化模块有上面几个性能。
第一个是通过 ID 或者索引查找顶点。
第二个是能查看顶点和边的卡片（卡片中展现点边属性和属性值），能够单选、多选、框选以及按类型抉择顶点。
第三个是图摸索，当用户点击某个顶点时，零碎会展现它的一跳街坊信息，包含：该顶点有哪些出边？通过这个边它能 Touch 到几个点？该顶点的入边又是什么状况？通过这种一跳信息的展现，用户在平台上摸索子图的时候，可疾速理解到周边的街坊信息，更快地进行子图摸索。在摸索过程中，平台也反对对边进行过滤。
第四个是图编辑能力，让平台用户在不相熟 Nebula Graph 语法的状况下也能增删改点边数据，对线上数据进行长期的干涉。
业务实际
上面来介绍下接入咱们平台的一些落地我的项目。
第一个我的项目是 智能助理，它的数据是基于美团商户数据、用户评论构建的餐饮娱乐常识图谱，笼罩美食、酒店、游览等畛域，蕴含 13 类实体和 22 类关系。目前点边数量大略在百亿级别，数据是 T+1 全量更新，次要用于解决搜寻或者智能助理里 KBQA（全称：Knowledge Based Question Answer）类的问题。外围解决流程是通过 NLP 算法辨认关系和实体后结构出 Nebula Graph SQL 语句，再到图数据库获取数据。
典型的利用场景有商场找店，比方，某个用户想晓得望京新荟城这个商场有没有海底捞，智能助理就能疾速查出后果通知用户。
还有一个典型场景是标签找店，想晓得望京 SOHO 左近有没有适宜情侣约会的餐厅，或者你能够多加几个场景标签，零碎都能给你查找进去。
第二个是 搜寻召回，数据次要是基于医美商家信息构建的医美常识图谱，蕴含 9 类实体和 13 类关系，点边数量在百万级别，同样也是 T+1 全量更新，次要用于大搜底层实时召回，返回与 query 相干的商户、产品或医生信息，解决医美类搜索词少后果、无后果问题。比方，某个用户搜“啤酒肚”这种症状、或者“润百颜”这类品牌，零碎都能给他召回相干的医美门店。
第三个是 图谱举荐理由 ，数据来自用户的画像信息、商户的特色信息、用户半年内珍藏 / 购买行为，当初的数据量级是 10 亿级别，T+1 全量更新。这个我的项目的指标是给出美食列表举荐商户的可解释理由。为什么会做这个事呢？当初美团 App 和点评 App 上默认的商户举荐列表是由深度学习模型生成的，但模型并不会给出生成这个列表的理由，短少可解释性。然而在图谱里用户跟商户之间人造存在多条连通门路，咱们心愿能选出一条适合门路来生成举荐理由，在 App 界面上展现给用户举荐某家店的起因。比方咱们能够基于用户的协同过滤算法来生成举荐理由，在他乡、消费水平、偏好类目、偏好菜系等多个组合维度中找出多条门路，而后给这些门路打分，选出一条分值较高的门路，之后依照特定 pattern 产出举荐理由。通过上述形式，就能够取得 在北京喜爱北京菜的山东老乡都说这家店很赞 ，或者 广州老乡都中意他家的正宗北京炸酱面 这类理由。
第四个是 代码依赖剖析，是把公司里的代码库中代码依赖关系写到图数据库。公司代码库里有很多服务代码，这些服务都会有对外提供的接口，这些接口的实现依赖于该服务中某些类的成员函数，这些类的成员函数又依赖了本类的成员变量、成员函数、或者其它类的成员函数，那么它们之间的依赖关系就造成了一张图，咱们把这个图写到图数据库里，做什么事呢？
典型场景是 QA 的精准测试，当 RD 实现需要并向公司的代码仓库提交了他的 pr 后，这些更改会实时地写到图数据库中，所以 RD 就能查到他所写的代码影响了哪些内部接口，并且能展现出调用门路来。如果 RD 原本是要改接口 A 的行为，他改了很多货色，然而他可能并不知道他改的货色也会影响到对外接口 B、C、D，这时候就能够用代码依赖剖析来做个 Check。
第五个是 服务治理，美团外部有几十万个微服务，这些微服务之间存在相互调用关系，这些调用关系造成了一张图。咱们把这些调用关系实时写入图数据库里，而后做一些服务链路治理和告警优化工作。
第六个我的项目是 数据血统，把数仓中 ETL 工作的依赖关系写到了图数据库中，大略是千万级别的数据量级，数据实时写入，每天凌晨做一次全量 reload，次要是用来查找数据工作的上下游依赖。比如说，通过这个 FIND NOLOOP PATH FROM hash(‘task1’) OVER depend WHERE depend.type == ‘ 强依赖 ’ UPTO 50 STEPS 语句找出 task1 这个工作的所有强依赖门路。这里，咱们针对 Nebula Graph 官网的 FIND PATH 性能做了一些增强，增加了无环门路的检索跟 WHERE 语句过滤。
美团和 Nebula
最初，来介绍下团队对社区的奉献。
为了更好地满足图数据库平台上用户的需要，咱们对 Nebula Graph 1.0 的内核做了局部性能的裁减和局部性能的优化，并把相对来说比拟通用的性能给 Nebula Graph 社区提了 PR，也向社区公众号投稿了一篇 支流开源分布式图数据库 Benchmark ????。
当然，咱们通过 Nebula Graph 解决了公司内的很多业务问题，目前对 Nebula Graph 社区做的奉献还比拟少，后续会增强在社区技术共享方面的工作，心愿可能造就出越来越多的 Nebula Committer。
美团图数据库平台的将来布局
将来布局次要有两个方面，第一方面是等 Nebula Graph 2.0 的内核绝对稳固后，在咱们图数据库平台上适配 Nebula Graph 2.0 内核。第二方面是去开掘更多的图数据价值。当初美团图数据库平台反对了图数据存储及多跳查问这种根本能力，后续咱们打算基于 Nebula Graph 去摸索一下图学习、图计算的能力，给平台用户提供更多开掘图数据价值的性能。
以上为本次美团 NLP 技术专家——赵登昌老师带来的图数据库平台建设方面的分享。
如果你对【图存储】、【图学习】、【图计算】感兴趣，欢送向赵登昌老师投递简历，投递邮箱：zhaodengchang@meituan.com。
喜爱这篇文章？来来来，给咱们的 GitHub 点个 star 表激励啦~~ ????♂️????♀️ [手动跪谢]
交换图数据库技术？交个敌人，Nebula Graph 官网小助手微信：NebulaGraphbot 拉你进交换群~~
