基础信息

用户邮箱：

用户昵称：
手机号：
公司名称：
公司邮箱:
地区：
语言：

修改密码

申请证书

当前未申请证书.

申请证书

Certificate	Issued at	Valid until	Serial No.	File

Serial No.	Valid until	File

Not having one? Apply now! >>>

ProductName	CreateTime	ID	Price	File

ProductName	CreateTime	ID	Price	File

No Invoice

1. 测试目的

本次基准测试内容为嬴图数据库系统数据处理能力的性能测试。包含对系统安装、运维、监控、功能、稳定性、高可用性、伸缩性、并发能力、数据导入、图查询与分析、图算法、结果准确性、时效性、跨硬件平台兼容性等多个维度的性能指标进行综合评估。

同时，为了方便读者了解目前国际范围内其它图数据库系统的性能，本测试中也对标了Neo4j、TigerGraph、JanusGraph以及ArangoDB系统。

2. 测试环境

2.1. 硬件环境

测试集群由3个节点云主机虚拟化实例组成，硬件配置如下表所示：

服务器	配置
CPU	虚拟化X86-64位、Arm64架构32 vCPU（32线程）主频2.0 GHz
内存	256GB
硬盘	1TB HDD（基于机械硬盘的云盘*）
网卡	5Gbps

2.2. 软件环境

软件名称	描述
操作系统	Linux (Centos 7.x、RedHat7/8 或Ubuntu 18.x)
容器环境	Docker 19.x
图数据库	嬴图 v4.0 Neo4j v4.0.7 Enterprise Edition TigerGraph v3.1 JanusGraph v0.6.1 ArangoDB v3.7

注：多系统间性能对标测试结果在3.2.3 性能测试细项部分。

2.3. 数据集

数据集	描述
Twitter-2010	http://an.kaist.ac.kr/traces/WWW2010.html
数据集信息	Twitter_rv.tar.gz 点：4160万，边：14.7亿
数据建模	对数据集进行扩展，使得点和边都具有属性。例如，当运行PageRank、LPA和Louvain图算法时，结果可以被写入点属性，也可以不时地进行更新。

注：多系统间性能对标测试结果在3.2.3 性能测试细项部分。

3. 功能测试

3.1. 功能测试结果汇总

测试项目	测试标准	嬴图测试结果
系统安装	在“测试结果”列中记录本次安装时间	~30min
可扩展性	支持分布式数据架构，支持数据分片，支持水平和垂直扩展	支持HTAP分布式架构，支持垂直与水平扩展
图数据更新	支持无需暂停查询服务就可对图模型进行更新，包括对顶点和边的增删改	支持在线更新点和边，并可查询变化后结果，运行算法亦可得到变化后结果
数据加载	支持批量数据导入和流式数据导入，支持Delimited Text（包括csv）、json格式的导入，支持断点续传	支持csv导入，支持断点续传
图谱更新	支持实时图谱更新	支持实时图谱更新
语言表达力	图数据库查询语言能力验证	支持完备的UQL图操作语言，易学易用，易于扩展，同时面向业务与技术人员
高并发小查询	支持单个顶点多跳邻居的高并发查询，并能实时反馈查询结果	支持高并发查询
影响力分析	支持LPA、PageRank算法	支持
社区发现	支持弱联通分量、强联通分量、标签传播、鲁汶算法	支持
图谱交互	支持点、边、属性展示，支持图谱下钻，支持按条件高亮显示顶点或边	支持
运维监控	支持系统运行监控，如CPU、内存、磁盘情况	支持
日志管理	有详尽的日志输出	支持
数据访问控制	支持多图功能，支持多图共享顶点和边	支持
权限管理	具备用户权限管理能力	支持
备份和恢复	支持在线备份，支持系统恢复功能	支持
高可用	支持高可用	支持
支持灾备	异地灾备	支持

3.2. 性能测试

3.2.1. 性能测试结果汇总

测试项目	测试标准	嬴图测试结果
数据加载	数据加载准确无误，并记录加载时间	2700秒
数据存储空间	入库后存储空间与原始数据的大小的比率	1.3
一度邻居查询	给定一个顶点，查询获得所有一度邻居并打印数量。基于种子文件的10个顶点，执行以上查询，统计平均执行时间	0.00062秒（平均）
二度邻居查询	给定一个顶点，查询获得所有二度邻居并打印数量。基于种子文件的10个顶点，执行以上查询，统计平均执行时间	0.027秒（平均）
三度邻居查询	给定一个顶点，查询获得所有三度邻居并打印数量。基于种子文件的10个顶点，执行以上查询，统计平均执行时间	0.52秒（平均）
六度邻居查询	给定一个顶点，查询获得所有六度邻居并打印数量。基于种子文件的10个顶点，执行以上查询，统计平均执行时间	1.408秒（平均）
二十三度邻居查询	给定一个顶点，查询获得所有二十三度邻居并打印数量。基于种子文件的10个顶点，执行以上查询，统计平均执行时间	1.295秒（平均）
最短路径	给定任意两个顶点，统计最短路径数量，记录计算时间	0.18秒（平均）
更新图集前后查询结果对比	改变图的拓扑结构前后进行实时查询，观察是否能实时得到对应的结果变化（K邻查询: 多层邻居计算）	实时
相似度计算	给定节点accard相似度Top10计算，记录平均执行计算时间	4.99秒
PageRank	运行PageRank算法耗时	23秒
社区发现（标签传播）	运行标签传播算法耗时	80秒
社区发现（鲁汶）	运行鲁汶社区识别算法耗时	210秒

注：23跳的时间可以短于6跳的时间是因为这些不同的顶点的K-Hop邻居在图上拓扑空间的分配密度不同所致。

3.2.2. 性能测试细项

3.2.2.1. 数据加载

测试目的：将整个数据集加载到图数据库中并开始提供服务。此测试可以显示图系统加载大量数据的速度。

嬴图系统测试内容结果：

测试项目	测试标准	顶点数量	边数量	加载时间
数据加载	数据加载准确无误，并记录加载时间	41652330	1468365182	2700秒

各家系统对标结果如下：

数据集	Twitter（2010）
图系统	嬴图	TigerGraph	Neo4j	JanusGraph	ArangoDB
导入时间 (秒)	2700	1550	3120	20800	32200
相对时间	1.7	1	2	13.4	20.8
存储空间	30GB	12GB*	55GB	56GB	128GB
相对空间	2.5	1	4.58	4.67	10.67

3.2.2.2 K邻查询

测试目的：K邻查询是任何图系统的基本查询类型。它能帮助用户快速识别实体（目标节点）的影响范围。K邻必须使用BFS（广度优先搜索）地方法实现，并且有一些注意事项：

通常有两种定义K邻的方法，它们的结果不同。一种方法是从第1跳到第K跳的所有邻居，另一种方式是所有距离起始节点正好是K跳的所有邻居。
如果节点出现在特定节点的第N跳上，则不会显示在其他距离的结果中。在执行算法时，跨不同距离对节点执行重复数据消除至关重要，否则结果将是错误的。
节点的直接邻居的数量与边的数量不同，因为一对相连的节点可能有2条双向连接它们的边。

嬴图系统测试内容结果：

注：下表中的N度邻居数指第N度邻居，即与源点最短路径长度（步数）为N步的全部不重复的顶点数量。考虑到其它系统可能使用了1-N度邻居查询，最后的对标测试结果统一可改为（1-N度邻居计算，此种方式去重计算复杂度会降低）。

测试项目	测试标准	给定顶点号	第N度邻居数量	执行时间（毫秒）	平均执行时间（毫秒）
一度邻居查询	给定多个顶点，查询获得每个顶点的所有一度邻居并打印数量，并记录执行时间	20727483	973	0.509ms	0.62ms
		50329304	4746	0.815
		26199460	19954	0.868
		1177521	4272	0.777
		27960125	7	0.484
		30440025	3386	0.733
		15833920	2181	0.505
		15015183	2279	0.492
		33153097	116	0.491
		21250581	37	0.536
二度邻居查询	给定多个顶点，查询获得每个顶点所有二度邻居并打印数量，并记录执行时间	20727483	2874132	5.823ms	27.33ms
		50329304	2714697	5.606
		26199460	7818213	69.953
		1177521	19318826	70.281
		27960125	533108	1.983
		30440025	11294131	21.967
		15833920	7858255	22.746
		15015183	5933114	27.222
		33153097	12181518	25.157
		21250581	11063971	22.537
三度邻居查询	给定一个顶点，查询获得所有三度邻居并打印数量，并记录执行时间	20727483	27206363	400.011ms	520ms
		50329304	29939223	407.992
		26199460	31324330	526.919
		1177521	17139727	741.438
		27960125	20280156	101.114
		30440025	23120607	748.711
		15833920	26263805	649.454
		15015183	27727527	475.516
		33153097	20512136	507.208
		21250581	20804932	641.811
六度邻居查询	给定多个顶点，查询获得其中每个顶点所有六度邻居并打印数量，并记录执行时间	20727483	10028	1213.226ms	1408ms
		50329304	9052	1410.373
		26199460	3022	1372.880
		1177521	3101	1220.169
		27960125	25838	1576.181
		30440025	5437	1659.473
		15833920	5618	1210.724
		15015183	6197	1320.371
		33153097	6033	1229.563
		21250581	6738	1769.825
二十三度邻居查询	给定一个顶点，查询获得所有二十三度邻居并打印数量，并记录执行时间	15738828	3	1203.212ms	1295ms
		9358362	1	1279.99
		9358352	1	1529.716
		17571568	1	1167.854

嬴图执行代码：
khop().src({_id == 顶点号}).depth(查询深度).boost() as n return count(n)

各家系统对标结果如下：

数据集	Twitter（2010）
图系统	嬴图	TigerGraph	Neo4j	JanusGraph	ArangoDB
1度邻居（秒）	0.00062	0.024	0.2	0.39	1.667
2度邻居（秒）	0.027	0.46	18.3	27.7	28.9
3度邻居（秒）	0.52	6.6	290	4300	3888
6度邻居（秒）	1.408	62.5	N/A	N/A	N/A
23度邻居（秒）	1.295	N/A	N/A	N/A	N/A

3.2.2.3. 最短路径

测试目的：测试常用的最短路径算法的正确性和性能。

测试内容结果：需要找到6步以内任意两个顶点间的全部最短路径数量，统计平均运行时间。

测试项目	测试标准	起点	终点	最短路径数量	查询时间	平均时间（秒）
随机10对点的最短路径	给定两个顶点，查询它们之间的最短路径的数量。记录执行以上查询的时间。	50329304	21613682	25389	0.145s	0.18s
		49449489	15645246	2080710	1.512s
		39687658	47978366	46	0.052s
		15489748	38548456	8	0.003s
		17524616	29884615	5	0.058s
		33033471	37029346	273	0.007s
		37048837	17555248	1114	0.008s
		26895497	37893465	2	0.002s
		26468497	37164965	6	0.002s
		54151557	37190965	30837	0.033s

嬴图执行代码

ab().src({_id == 起点ID}).dest({_id == 终点ID}).depth(6).shortest().boost() as paths return count(paths)

各系统对标结果如下：

源数据

Twitter（2010），4200万顶点、14.7亿边、24.6GB

图系统

嬴图

TigerGraph

Neo4j

JanusGraph

ArangoDB

全部最短路径（秒）

0.18

9.2

注：深度≥6步的无法在10分钟内返回

注：深度≥3步的无法在10分钟内返回

无法正确返回

（仅能返回1条路径）

3.2.3.5影响力分析

测试目的：测试常用的PageRank算法的性能。

测试内容结果：PageRank必须进行全量计算，并且排序后返回Top-10

测试项目

测试标准

嬴图测试结果

全量计算后，返回分值最高的10个顶点及其Ranking值

查询时间（秒）

影响力分析

运行PageRank算法，其中迭代次数设为10，阻尼系数为0.8，并获取分值最高的10个顶点。记录执行以上查询的时间。

813286,14276.1

14224719,12240

31567254,10288.6

15131310,9860.32

16049683,8546.38

7040932,6775.97

14075928,6672.9

12687952,5345.58

5380672,5021.32

26784273,2886.91

16s

嬴图执行代码：

algo(page_rank).params({order:’desc’,init_value:0.2,loop_num:10,damping:0.8,limit:10}).write({file:{filename:”my_pagerank_result”}})

各系统对标结果如下：注，其它系统并不支持或没有对结果进行排序，如需排序则可能无法完成测试。

3.2.3.6社区发现

测试目的：测试常用的标签传播算法、Louvain社区识别算法在大数据集上运行时的性能。

测试内容结果：

测试项目

测试标准

社区数

查询时间（秒）

标签传播

运行标签传播算法，其中迭代次数设为10，并打印社区数。记录执行以上查询的时间。

116602

80s

鲁汶社区识别(Louvain)

运行Louvain社区识别算法，其中迭代次数设为10，收敛精度0.01并打印社区数。记录执行以上查询的时间。

1207

（社区数量存在抖动，此处取中位数）

210s

嬴图执行代码:

algo(lpa).params({loop_num:10}).write()

algo(louvain).params({phase_1_loop_num:10.min_modularity_increase:0.01}).write