图数据库是常识图谱零碎的外围。在理论的利用中，为什么要做图数据库选型，图数据库选型应该怎么做？
蚂蚁团体图数据库负责人洪春涛，在常识分享社区 Datafun 的演讲中，对这些问题进行了剖析和解答。以下是演讲原文整顿。
1、为什么要做图数据库选型
图数据库是常识图谱零碎的外围。在典型的常识图谱零碎中，数据会在常识抽取、整顿和推理之后，被寄存到图数据库中，而后图数据库会撑持常识图谱的查问、更新、推断等工作。因而图数据的选型决定了图谱零碎的规模、性能、稳定性，对整个图谱零碎利用十分重要。
目前行业内图数据库类型十分多，常见的有 Neo4j、JanusGraph，以及蚂蚁团体研发的图数据库 TuGraph 等，整体数量在几十种左右。但他们之间的差别十分大，比方查询语言上 Neo4j 用的是 Cypher，JanusGraph 用的是 Gremlin。
图数据库的图模型也有很大差别。图数据库目前大部分以属性图为主，也有另外一类是 RDF 图，这两种图数据库从数据抽象上不一样，其它很多个性，比方有没有用户权限，有没有多图、有没有超图，这些特色也都十分不一样。
应用图数据次要的问题在于，它不像关系型数据库是一个规范的关系代数的形象，下面有规范的 SQL 语言。目前图数据库没有齐全标准化下来，所以对于很多用户造成了很大的困扰，在选图数据库的时候，不晓得应该怎么选。
另外一个次要的问题是，图数据库当初很多利用场景其实是偏摸索类的，在具体场景当中，会用到哪些算法，须要哪些个性，用户当时并不知道，因而更难抉择图数据库的类型。
那么咱们该如何做图数据库系统选型呢？
图数据库系统的选型，一个十分重要的工具就是基准测试程序，英文叫 Benchmark，它会模仿实在的场景对系统进行测试，是比拟规范的测试程序。
以 TPC- C 为例，这是个很规范的对关系型数据库进行测试的基准测试程序，它模仿的是连锁商店对数据库的应用，会在数据库建订单管理系统、库存管理系统、物流治理。这个程序自身会规定事务性应该反对到什么境地，应该有多并发，每一个查问的提早应该有什么样的要求。如果一个关系数据库可能正确地通过 TPC- C 这个测试，并且失去一个值，那么对用户来说，就能够大抵预计在失常的实在的状况下，它的性能，性能大抵如何，进一步预计在实在场景下的功能性、稳定性等。
所以 Benchmark 能够领导咱们对数据库系统的设计，同时它对减速整个行业的倒退是很重要的。
2、咱们须要什么样的基准测试程序
一个好的 Benchmark 有以下个性。
首先要贴合理论，它抉择的场景必须是比拟符合实际状况的。比如说 TPC- C 要模仿一个商店的管理系统，那么这个数据特色、操作特色就必须跟商店差不多，以做库存治理、订单治理为例，这些查问有多少读、有多少写，它们之间的混合比例，都须要符合实际。
性能特色上，要满足肯定的提早要求。读写比例并发有肯定的要求，比方同时会有多少用户在这下面用，它的提早要求是多少，必须要求查问应该是在几十毫秒，都是有肯定的要求。查问跑进去的工夫如果太长，必定不合乎失常的需要。
另外它必须具备可扩展性。理论测试中，商店大小是有差别的，如果说一个 Benchmark 只规定了一种数据大小，那就很难让用户感觉到在本人的场景上面会是什么状况。比如说用户要开一个商店，心愿选一个数据库，但 Benchmark 的测试数据可能只限度了 1GB 数据，而理论用户的数据有 1TB，那这个 Benchmark 就没有参考价值，所以大部分好的 Benchmark 都具备可扩展性，想测 1GB、100GB、1TB 甚至 10TB 都有方法去实现。
还有一点是规范必须要谨严，这是十分重要的。图数据测试，不能用 TPC- C 的数据来随便实现，比方只测读意外写，测试的时候把其中所有的写操作都去掉，跑进去一个后果看似很高，实际上却没有意义，因为并不符合实际的测试规范。所以这个规范自身必须要很谨严，它必须有审计规定，要有对数据的验证。
当初图数据库罕用的几个测试程序，一个是 Twitter，即把 Twitter 颁布的数据集拿来跑 K 跳，从一个点登程去找 K 度的街坊，以及去跑图算法，这种测试的办法有很大的问题。一是推特自身的图十分无限，不具备可扩展性。图下面的点和边是没有属性，这其实是不合乎真实情况的。另外它是一个社交图，跟其余很多罕用的金融图等都不太一样，所以只能作为一个简略的参考。最致命的是它只有读没有写，测试的时候就没法去测它的写操作，或者要测写操作也只能加几条边加几个点，这是十分不谨严的。
3、金融图数据库 benchmark 怎么做
LDBC(The Linked Data Benchmark Council) 是寰球出名的非盈利性技术协会，目前有三个 Benchmark，一个是基于语义网络的 RDF 图，一个是图剖析，另外就是社交网络的图 SNB。
目前国内上做得比拟规范的图数据库测试程序是 LDBC 的 SNB 的测试。SNB 测试是模仿社交网站对于图数据库的利用场景，依照社交网站的数据个性生成数据，它容许生成各种各样大小的数据，同时操作上有读写混合，读也有各种丰盛的语义，有一个十分规范的文档，也有第三方审计。
SNB 测试模仿的是社交的场景，外面有 14 类的点 20 类的边，点跟边下面会有一些属性，能够设置数据规模最小的数据是 SF1，大略生成进去是 1GB 的数据，最大能够 SF100，SF300，SF1000，SF30000 都有。
从操作上它有两类，一类是 Interactive，即模仿在线的查问，它下面有七种简略的读，14 类简单的读。有八种写的操作，理论测试的时候，会要求把这些读写混合的并发的发到这个图数据库下面。另外一类是 BI 的 Workload。BI 的查问里边，它是简单的只读查问，就比下面这个简单读还要更简单，基本上是全局扫描的相似 OLAP 的利用。它的写是批量写，所以这个跟下面的 Interactive 是很不一样的。
在一些验证下面，它会要求读写混合，会有正确性的验证，这些读写做完了当前，须要验一下目前这个数据库的正确性，而后有事务隔离性的要求，最重要的是它有提早的要求，每一个查问规定大略只有千分之一的申请是能够超时的，如果提早超过 100 毫秒的查问超过千分之一。那么这个比例太高了，这个数据库就是不通过的。
SNB 模仿的是一个社交网站的数据，里边有人的节点，有论坛的节点，论坛里边有很多帖子，而后大家能够去转载这些帖子，同时这个人会有各种各样的材料，有他的公司、大学、城市，通过边会把这些信息连起来，在下面去做查问。是一个比拟典型的图查问。
咱们发现在蚂蚁本人的利用场景上面，有很多跟 SNB 不一样的中央，因而决定跟 LDBC 一起做一个金融图的 Benchmark。金融 Benchmark 跟 SNB 的次要差异是什么呢？
首先是场景上的差异，SNB 是一个社交场景，咱们是金融风控等不同类型的场景，从数据上就会有比拟大的差异。社交网络的图，有它的特殊性，首先它往往会有很多大点，比方一个微博大 V 账号，会有很多关注，它就是个大点；而后它外面的点，均匀出度会比拟高，如每个微博账号，均匀会有 300 个左右的关注。这些个性导致社交图跟其它图都不一样，相对而言金融图绝对出度会小一些。
SNB 下面的模型点跟点之间是没有反复边的，然而金融图里边就十分多重边的状况，比如说两个人之间会常常转账，那么他们之间就会有十分多的重边呈现。金融图的查问跟计算区别也很大，且查问对于提早的要求更高一些。如果 20 毫秒之内返回不回来，那么整个用户体验就会很蹩脚。
SNB 里边读跟写是离开的。在金融图里读写是有可能在同一个 Query 里边的。咱们会找很多的环状的构造三角的构造，这些都是跟 SNB 不一样的中央。所以这也是促使咱们去做金融图 Benchmark 的一个次要能源。
目前咱们的金融图 Benchmark 还在设计阶段，次要是在线查问，对提早要求比拟高。另外咱们会设计负载的波峰波谷，因为一般来说中午流量比拟小；咱们会对数据有 TTL，会对过期的数据进行清理。比如说个别零碎里边放三个月的数据，超过三个月就主动回收掉了。
以下是一个比较简单的又读又写的 Query 的示例。
除此之外，咱们还会做一些反欺诈的、反套现的操作，这也是金融场景中常常须要解决的问题。咱们会把金融图数据库 Benchmark 当做一个规范来做。
结语
综合以上，咱们认为图数据库是图谱利用零碎的外围，所以它的选型很重要，而 Benchmark 作为选型最无力的工具十分重要。Benchmark 如果做得好，它能够成为一种事实标准，领导零碎的设计。咱们也倡导更多的人来跟咱们一起参加 Benchmark 的开发以及制订，推动图数据库系统的标准化，共建行业生态。