修改密码

请输入密码
请输入密码 请输入8-64长度密码 和 email 地址不相同 至少包括数字、大写字母、小写字母、半角符号中的 3 个
请输入密码
提交

修改昵称

当前昵称:
提交

申请证书

证书详情

Please complete this required field.

  • Ultipa Graph V4

Standalone

Please complete this required field.

Please complete this required field.

服务器的MAC地址

Please complete this required field.

Please complete this required field.

取消
申请
ID
产品
状态
核数
申请天数
审批时间
过期时间
MAC地址
申请理由
审核信息
关闭
基础信息
  • 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

v5.0
搜索
    v5.0

      真实的性能对比

      先来看一个简单的对比:在一张百万量级点边的图上面,用Python NetworkX来完成鲁汶社区识别需要10个小时;类似的,华为的图计算系统需要近3个小时;而通过嬴图则在1秒钟内以纯实时的方式完成。这种性能差异达到数以万倍计的原因就在于是否实现了高并发、高密度并发原生图计算。

      让我们看一个具体的例子——K邻搜索。

      K邻(K-Hop)操作通常是通过BFS(广度优先搜索)的方式实现的。BFS相对于DFS(深度优先搜索)或其它图算法(鲁汶社区识别等)而言是比较容易实现并发计算的,在图中实现BFS算法并发的过程如下:


      K邻并发算法

      K邻并发算法步骤如下:

      • 在图中定位起始顶点(上图中心的绿色顶点),计算其直接关联的、去重后的邻居数量。如果K=1,直接返回邻居去重后数量;否则,执行下一步。
      • K>=2, 确定参与并发计算的资源量,并根据第一步中返回的邻居数量决定每个并发线程(任务)所需处理的任务量大小,进入第三步。
      • 每个任务进一步以分而治之的方式,计算当前(被分配的)顶点的邻居数量,直到满足深度为K或者无新的邻居顶点可以被返回而退出,结束。

      以大家所熟知的Twitter-2010数据集中,因为4200万的顶点与14.7亿条边的集合中存在大量超级节点(一般认为1度邻居在10000以上的顶点为超级节点或热点,而Twitter数据集中有很多顶点的1度邻居超过1000000个),因此是否能够实现以并发的方式递归查询至关重要——高并发的嬴图系统可以在6-hop查询中≤2秒钟完成计算,而Tigergraph则需要≥60秒,而其它系统,包含Neo4j、Nebula Graph、HugeGraph、ArangoDB等则完全无法返回。

      在基准测试中,我们以Twitter数据集为基础,对标了多家图数据库系统的性能,结果简报如下:

      • 数据加载:除了TigerGraph与嬴图性能接近,其它系统要慢2-15倍
      • K邻查询:嬴图比所有其它系统快至少10倍以上。事实上,超过6跳的深度查询,只有嬴图可以返回结果
      • 图算法:嬴图比任何其它图数据库系统快10倍以上。很多系统根本无法完成算法执行

      各家图数据库的图计算性能对比图(以下4张图):


      数据加载性能比较

      K度邻居查询(深度图遍历

      路径查询(全部最短路径)

      图算法运行效率

      以上评测指标可以清晰的表明嬴图系统较其它系统存在明显的、指数级的性能优势。在很多情况下这种优势会让原来T+1的批处理操作变为实时化,让原来不可能的工作方式成为可能,进而赋能业务与科技部门加速完成数字化转型。

      请完成以下信息后可下载此书
      *
      公司名称不能为空
      *
      公司邮箱必须填写
      *
      你的名字必须填写
      *
      你的电话必须填写
      *
      你的电话必须填写