隨著業務數據量級猛增、業務數據類型愈加多樣化、業務復雜程度的激增，傳統的關系型數據庫早已無法反映企業業務情況的全貌，對于分析對象之間的關系洞察也顯露出了能力瓶頸。在這樣的大背景下，企業對圖數據庫的需求應運而生。
區別于傳統的關系型數據庫，圖數據庫以實體為點，點與點的關聯關系為邊，對數據進行存儲。企業開始使用原生圖存儲的形式存儲多樣化的數據，是希望能夠使用圖的計算形式來對實體間錯綜復雜的關系快速形成深入洞察，從而沉淀成企業智慧，進一步提升業務的智能化水平，降低現有高昂的人力成本，解決以往的人力決策難以跟上業務數據發展的問題。
以大數據能力為堅實底座
圖數據庫+TDH計算引擎實現優異的性能表現
目前市面上的開源圖數據庫較適用于個人用戶，對于企業用戶而言，圖數據一般來源于已有的大數據系統，隨著數據量的增長和業務模型逐漸復雜，開源圖數據庫既無法承受大規模圖存儲和計算，也無法融入大數據生態，徒增系統復雜程度。
基于此痛點，星環科技自主研發了分布式圖數據庫StellarDB，以分布式的計算引擎為動力，可幫助用戶實現任意數據規模的圖計算，且計算能力隨節點數線性擴展，可以支撐萬億級別圖規模存儲。除了支持大規模的數據集外，StellarDB還具備深度的圖分析能力，支持10層以上的深度復雜圖遍歷。
星環圖數據庫StellarDB為大數據平臺提供了良好的兼容服務，可以快速接入已有的大數據平臺。
圖1 星環科技分布式圖數據庫StellarDB
StellarDB的查詢性能和圖算法能力已經達到行業領先水平。本次測試采用了公開數據集twitter-2010，其點邊規模分別為四千萬和十四億。對比圖數據庫分別為：StellarDB 3.0.12，Neo4j 4.3.3，ArangoDB 3.7.11，以及JanusGraph 0.5.2。本次比較的內容包括：數據導入測試、多度查詢測試、多度最短路徑測試，以及圖算法測試。
最終結果如圖2所示，橫坐標表示耗時的倍數，以StellarDB的運行時長為基準，設定為1，柱越長代表查詢或導入任務耗時越久，無柱狀表示超過2h無結果返回或出現OOM報錯。
我們首先來看數據導入速度，StellarDB在面對十億邊數據量集的導入速度在15分鐘左右，其他開源數據庫的導入時間在近半小時級至半天級不等。我們接下來對2度及3度查詢進行比較，可以看到在4次查詢任務當中，StellarDB均有較好的性能表現：2度鄰居查詢的性能分別為其他產品的5-20倍不等；2度最短路徑查詢甚至達到1~40倍不等；3度最短路徑查詢達到1.4倍；而在3層鄰居查詢任務中，StellarDB能在亞分鐘級查詢出4.3億條結果，而ArangoDB在4項查詢任務中均超時。在圖算法方面，StellarDB的PageRank結果返回速度也超其他返回結果速度2倍以上。
可見，面對國外廠商Neo4j擅長的小數據量短查詢場景，StellarDB在大圖2度鄰居查詢中表現出了5倍的較大優勢，并快速查詢出Neo4j無法返回的3度鄰居查詢。可見StellarDB對于海量的大圖數據集有明顯的性能優勢，且隨著層數的增大，對多度及最短路徑的查詢優勢愈加明顯，而其他圖數據庫往往會產生報錯、無法返回結果等情況。
圖2 StellarDB性能測試耗時對比圖
在使用便捷性方面，StellarDB內置了近20種常見的圖算法，可滿足用戶各類圖分析需求，并且支持2D/3D的全景分析及展現，利用可視化技術幫助用戶快速獲取數據基于關聯性的深度洞察。同時，StellarDB可以滿足實時圖查詢和離線算法分析的需求，無需學習特定的編程語言，只需基于主流的openCypher圖形查詢語言，即可完成復雜的查詢任務。在某些金融場景，用戶甚至無需輸入圖形查詢語言，使用自然語言即可進行快速檢索。
成本方面，StellarDB采用了多種數據編碼和壓縮策略，有效降低海量圖數據對于存儲資源的需求。相較于開源圖數據庫，StellarDB可使用更少的節點實現更快的查詢。跑在更少的服務器資源上，可極大降低用戶的采購、運維、空間及能耗成本及開銷，以滿足企業“碳達峰”、“碳中和”的需求。
企業級功能方面，StellarDB具備完整的企業級功能，為企業客戶設計了多維度的權限控制模型，支持圖級別、標簽級別、屬性級別三層權限設置；提供了數據加密和配置掩碼規則，保障敏感數據的安全性；提供增量和全量數據備份，以及在線跨集群數據恢復，協助客戶保障集群數據完整性；提供安全認證和訪問控制，支持Kerberos和LDAP登陸和授權。
產品資質方面，StellarDB具備自主知識產權，且已獲得圖數據庫基礎能力專項測評證書，可與國產的操作系統和硬件平臺兼容。
輔以KG等AI驅動的應用開發工具
實現金融風控全鏈路支撐
基于圖數據庫，用戶可以在上層開發通用或行業知識圖譜，將企業的業務規則、決策智慧沉淀下來，并賦能搜索引擎、推薦系統、實時風險預警等應用系統，實現集團的數字化轉型。
以金融監管機構為例，可實現集團派系知識圖譜、產業鏈知識圖譜、擔保鏈知識圖譜、反洗錢知識圖譜等的構建；以銀行為例，星環科技可以幫助用戶構建企業管理關系圖譜、小微企業風險事件圖譜、社交畫像知識圖譜、供應鏈知識圖譜，從而實現貸后資金穿透管理和風險傳遞預估；投資圖譜方面，星環科技可幫助證券、基金、期貨企業構建智能投研知識圖譜、FOF投研知識圖譜、大宗商品知識圖譜等，可實現輿情事件的實時接入、風險事件的實時預警及風險傳導的可視化。
除以上應用外，圖數據庫及知識圖譜技術也大量應用于可疑團伙發現、產品或服務的精準推薦、社交網絡分析、疫情溯源與防控等領域。
圖3 星環科技Sophon KG的企業知識圖譜界面
星環科技提供用戶
從點到線再到面的立體智能分析能力
星環科技為用戶串聯起了從底層的關系型數據庫、大數據平臺到中層的圖數據庫，再到上層知識圖譜應用的全棧產品，實現了從最底層獨立的“點”分析到關系的“線”分析再到事件的“面”分析，最終形成行業全面的“體”分析的全棧智能分析賦能。從點到面再到體的一站式分析工具提供，可以搭建緊密相扣的工作流鏈路，對于用戶而言，能夠大量節省開發成本和基礎算力，顯著提升分析性能。
展開來講：
（1）“點”：傳統數據分析是利用關系型數據庫或不含圖數據庫的OLAP大數據平臺，針對單個實體或屬性進行統計分析或機器學習建模，它只能處理單個或多個獨立“點”的信息。
（2）“線”：而當用戶想基于點和點之間的關系進行多層關聯關系分析時，關系型數據庫會遇到多表join的挑戰而無法返回結果。此時使用分布式的圖數據庫即可在快速返回海量的大圖分析結果，實現對“線”的分析。
（3）“面”：當錯綜復雜的線形成一個網絡時，我們需要使用屬性圖、圖建模的技術來對復雜網絡進行分析，如提取網絡中的特征或模式，并固化這些模式和知識，泛化至業務系統當中，形成企業的知識資產。
（4）“體”：最后，當遇到多層次、多維度的網絡時，有異構圖分析能力的知識圖譜可以幫助企業形成語義網絡，比方說將企業上下游、輿情信息等多源異構的網絡進行整體分析，形成對某一標的的價格走勢預判，最終實現對“體”的分析。
圖4 星環科技從“點”到“面”的立體智能分析能力
星環科技從點至面的立體智能分析方案，其底層除支持TDH極速大數據平臺外，利用聯邦計算技術可集成多個異構數據源、跨平臺的數據擁有方，做到在不直接進行數據交換的前提下，獲得全體數據的計算結果。此外，基于多模型的大數據技術架構，可通過8種獨立的存儲引擎支持業界主流的10種存儲模型，對于用戶來說，可對關系型數據、文本數據、地理空間數據、圖數據、時序數據等進行統一的存儲、查詢計算和融合分析。
我們相信，圖數據庫作為Gartner發布的2021數據分析十大技術之一，將以極大的潛能挖掘海量數據的無限價值，并輔以知識圖譜等AI驅動的開發工具，從圖計算及圖模式探索中不斷沉淀新的業務規則，實時賦能上層業務。隨著圖計算和處理技術的不斷普及，企業能通過掌握從“點”到“線”至“面”的立體智能分析能力，不斷積累知識和業務深層規律，最終構成企業堅實的業務壁壘。
