大數據中如何實現數據的高效追溯

這篇文章給大家介紹大數據中如何實現數據的高效追溯，內容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

如何基于GES圖數據庫追溯服務的實現和優化。

“一分鐘，我要這個人的全部信息”，霸道總裁拍了拍你，并提出這個要求。秘書開始發力，找到了：姓名、年齡、聯系方式、愛好，這些信息。不太夠？那就再加上親朋好友信息，近期活動信息，更完整展現這個人。雖然是個段子，但也給與我們一些啟示：對象本身的信息可能不夠“全”，周邊關聯的數據也是對象信息的重要組成，這些關聯數據對在進行數據分析和挖掘時十分有用。

現實生活中關聯關系十分普遍，比如人的社交、商品生產和消費行為之間都是關聯關系。數據分析時，為了更好的利用關聯關系，常使用圖作為數據結構，使用圖結構保存數據的數據庫被稱為圖數據庫。傳統的關系型數據庫，以表格視角對數據進行呈現，可以方便的對數據進行查詢管理，而圖數據庫更關注節點和周邊節點的聯系，是一種網狀結構，適用于追溯分析、社交網絡分析、異構信息挖掘等等應用。華為云提供的圖數據庫服務就是GES（Graph Engine Service）[1]。

基于圖數據庫可以做很多有趣的應用，數據追溯就是一個很常見的應用。數據追溯，就是把各環節產生的數據進行關聯與溯源。疫情中，查看商品的流通過程，檢查商品是否有可能有接觸傳染源。測試活動中，通過構建測試過程網絡，分析測試活動的完備性，用于進行質量評估。這些都是追溯的典型使用場景。若以傳統關系型數據庫構建數據追溯，需要獨立構造和維護多個關系表，并實現多對多的關系網絡，不易于理解復雜的業務邏輯，與此同時，也會伴隨著追溯查詢實現復雜和查詢緩慢的問題。

圖1 關系型數據庫和圖數據庫對比

用一個例子簡單說明圖數據庫在數據分析領域的優勢。圖1是一個簡單的選課系統，記錄了學生選課以及相應的課程信息。如右圖所示，我們根據圖數據庫的表達方式把這些信息轉化為一張圖。可以看出，圖可以更加直觀地表達選課和班級等關系，清楚地呈現實體之間的關系，更方便進行關聯分析。比如，根據圖我們可以很容易找到和小布一起上數學課的同學，也可以快速找到選課興趣相同的同學。通過圖數據庫可以很方便查詢到周邊節點信息，非常適用于追溯實現。那如何基于圖數據庫如何實現追溯服務？接下來我們將以華為云GES為例，分析基于GES圖數據庫追溯服務的實現和優化。

什么是圖

在圖數據庫中，圖由以下部分組成：

1. 點：圖中的實體對象，在圖中表現為一個節點。例如，社會的人，流通的商品等都可以抽象為圖中的一個節點。

2. 邊：圖中節點與節點之間的關系。如人與人的社會關系，商品的購買行為等。

3. 屬性：用于描述圖中節點或者邊的屬性，比如編號、名稱等。聚類和分類分析中，權重是常常作為關系屬性，也就是邊的屬性。

圖2 有向圖與無向圖

根據邊是否有方向，可以把圖分為有向圖和無向圖。對于有向圖來說，邊的起點和終點是確定的。圖2中，城市是一個節點，城市間的距離和城市之間交通方式為邊。城市交通就是一個有向圖，不同方向交通方式用不同的邊表示，而城市間距離是無向圖，因為距離和方向無關。GES使用時，需要將點和邊處理成不同的對象，點邊都需要定義需要的屬性。點主要就是包含實體的信息，而邊需要指定起點與終點。

定義GES圖

GES建立圖的步驟可以參考官方文檔[1]。主要就是對節點和邊進行定義，將數據處理為點和邊文件，最后導入GES中，可通過界面或API導入。處理無向圖時，即不區分邊的起點和終點，通常也會設定一個默認方向，即指定邊的起點和終點，這是為了處理和導入數據方便，在實際查詢中可以忽略這種方向設定。

在GES構建圖的過程中，定義點和邊以及相關屬性的文件被稱為元數據。點和邊的類型被稱為label，每個label可具有多個屬性，如上文提到的名稱、權重等，都可以作為點或邊的屬性。在GES中，label一旦定義并創建成功將不被允許修改，如果必須要修改label定義，就需要格式化圖并重新創建導入元數據文件到圖中。

節點通常是由現實中的實體抽象而來，GES節點屬性常用的數據結構包含了float、int、double、long、char、char array、date、bool、enum和string等。通常來說節點中，字符串類型的屬性較多，非字符串屬性可以根據數據類型進行選擇。字符串類型有兩個選擇：string和char array。char array有數據長度限制，通常為256，而string類型沒有長度限制。但是在GES中使用char array更有優勢，這是因為char array數據存放在內存中，string類型數據存放在硬盤中，因此char array查詢效率更高，這也是GES元數據定義需要注意的地方。在我們項目的場景中，節點的名稱和編號都是常用的查詢條件，綜合考慮屬性特征，如節點名稱較長而節點編號較短，最終名稱使用了string類型，而編號選擇了char array類型。

GES查詢優化

定義好節點信息后，可以在圖中進行查詢。GES使用的是Gremlin[3]進行查詢。Gremlin是一個開源的流式查詢語言，查詢實現靈活，不同圖數據庫對查詢語句的分解以及優化處理都不相同，因此，不同的寫法可能查詢效率可能不同。接下來我們就一種追溯查詢場景進行分析。

圖4 多分支查詢場景分析

如圖4所示，字母代表label，也就是一種節點類型。可以看到該場景具有較多查詢分支，按照圖中的節點要求，Gremlin查詢語句直接實現如下：

g.V(id).hasLabel('A').ouE().otherV().hasLabel('B').ouE().otherV().hasLabel('C').as('c').outE().otherV().hasLabel('F').outE().otherV().hasLabel('H').select('c').outE().otherV().hasLabel('D').as('d').outE().otherV().hasLabel('G').select('d').outE().otherV().hasLabel('H')

基于當前Gremlin，GES Gremlin server會將查詢分解為多個查詢原子操作，并由GES engine·執行。對于這種多跳的復雜查詢，會解析為較多的原子操作并頻繁交互，這會導致的查詢效率低下。對于這種場景，考慮使用optional語句進行查詢，效率會得到提升。查詢語句如下：

g.V(id).hasLabel('A').ouE().otherV().hasLabel('B').ouE().otherV().hasLabel('C').as('c').optional(outE().otherV().hasLabel('F').outE().otherV().hasLabel('H')).optional(select('c').outE().otherV().hasLabel('D').as('d').optional(outE().otherV().hasLabel('G')).optional(select('d').outE().otherV().hasLabel('H')))

optional在一定程度上可以降低分支的查詢范圍，從而提升查詢效率。在項目實際使用中，使用optional可以提升查詢性能1倍左右。但是optional不是所有場景都適用，Gremlin實現需要根據查詢場景、數據規模和數據特點進行優化處理，例如圖中節點的稀疏程度和分支的數量都是可以考慮優化的點。

在對GES查詢優化時，即使對Gremlin語句進行了優化，也有可能達不到期望的查詢性能。這是因為使用Gremlin時，處理查詢過程中Gremlin server解析后的原子操作可能會和GES engine頻繁交互，反而會降低查詢性能，而且針對Gremlin查詢優化處理范圍也有限。雖然Gremlin是圖數據庫通用的查詢腳本定義方式，但是各個廠家對于Gremlin腳本優化處理不同，因此更推薦使用GES原生API。原生API針對固定場景做了更多的優化，并且減少了Gremlin解析處理過程，因此性能更優，但同時也引入了通用性和效率之間的平衡問題，畢竟API沒有通用的定義實現。

下面我們將介紹幾種常見的追溯查詢場景。這些場景都可以通過Gremlin查詢實現，但是如果通過使用GES系統API，可以獲取更好的查詢性能。

• 場景(1) 追溯某個節點前（后）n層節點

該查詢較為常見，主要用于查詢某個節點的父子節點，對于圖1 的場景可以找到班級的所有同學，該場景Gremlin實現如下：

g.V(id).repeat(out()).times(n).emit().path()

這種場景下，推薦使用GES算法文檔中的k-hop算法解決該問題，需要注意，這個算法接口只會返回滿足查詢條件的子圖中的所有點，但沒有節點詳情和邊信息，如果需要節點詳情可以采用batch-query批量進行節點詳情查詢。如果需要邊信息，推薦場景(2) 使用的API。

• 場景(2) 按條件追溯某個節點之前（后）n層節點，節點篩選條件相同

g.V(id).repeat(outE().otherV().hasLabel('A')).times(n).emit().path()

這種場景下，推薦使用repeat-query方法。該方法可以快速實現某個起點前后n跳查詢，并且可以限定節點查詢條件，并且所有點的查詢過濾條件相同。在查詢中，如果不同的點需要使用不同的查詢條件進行過濾，可以先不指定點查詢條件，待返回查詢結果后再進行過濾。不指定點的查詢場景可以退化為場景(1)，并且該API可以同時返回節點和邊的詳情。

• 場景(3) 按條件追溯某個節點之前（后）n層節點，不同節點篩選條件不同

圖4的例子就是一個這樣的場景，每層的查詢label不同。這種情況下，推薦使用filtered-query進行查詢，該方法需要詳細指定每個節點的過濾屬性，相當于將每個查詢條件都在參數中一一指定，實現完全滿足條件的查詢。項目中，相對于Gremlin 查詢，filtered-query的查詢性能可以提升10倍左右。

上述三個場景中repeat-query和k-hop具有更好的泛化能力，可以隨意指定查詢跳數n，需要設定的參數簡單。而filtered-query需要詳細指定查詢中每層節點的屬性，參數較為復雜，具體使用中可以根據業務需求進行選擇。

GES還提供了很多算法，如Node2vec, subgraph3vec，GCN算法，本文只介紹了基于GES進行節點快速查詢并提供追溯服務，后續也會考慮如何基于建立好的圖，進行一些數據節點融合，也可以進行相似度分析、質量評估和流程推薦等，更好地挖掘數據的價值。

關于大數據中如何實現數據的高效追溯就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。