主流图数据库Neo4JArangoDBOrientDB综合对比：架构分析

Posted 2022-08-28 jpfss

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了主流图数据库Neo4JArangoDBOrientDB综合对比：架构分析相关的知识，希望对你有一定的参考价值。

1：本地存储方式
2：内置查询语言分析
3：性能分析
4：图算法支持

本地存储方式

Neo4J

neo4j数据库支持最大多少个节点？最大支持多少条边？

目前累积统计它有34.4亿个节点，344亿的关系，和6870亿条属性。

在数据库中，读/写性能跟节点/边的数量有关吗？

这个问题意味着两个不同的问题。单次读/写操作不依赖数据库的大小。不管数据库是有10个节点还是有1千万个都一样。 — 然而，有一个事实是如果数据库太大，你的内存可能无法完全缓存住它，因此，你需要频繁的读写磁盘。虽然很多用户没有这样大尺寸的数据库，但有的人却有。如果不巧你的数据库达到了这个尺寸，你可以扩展到多台机器上以减轻缓存压力。

是否有备份恢复机制？

Neo4j 企业版提供了一个在线备份（完整备份和增量备份）功能。

写数据库是线程安全的吗？

不管在单服务模式还是HA模式，数据库在更新之前都通过锁定节点和关系来保证线程安全。

文件存储结构

node，relationship，property存储都是固定大小的。 如下图：

固定大小可以快速查找，基于此，可以直接计算一个节点的位置，时间复杂度$O(1)$，比查询的$O(log n)$快。

image.png

节点

存储文件neostore.nodestore.db，

第一个字节，是否被使用的Flag
下4个字节，代表第一个关系的ID，连接到这个节点上的：ID
紧接着的4个字符，代表第一个属性ID，连接到这个节点上的
紧接着的5个字符是代表当前结点的Label，指向Label存储的。：LABEL
最后一个字符是标志字符，用来标志紧密相邻的点，或者留备后用。这就是Neo4J索引实现的方案。Index-Free Adjacency

这些指向的ID都是链式ID中的第一个，比如关系ID是关系链中的第一个。

关系

存储文件neostore.relationshipstore.db

1：同上
1-5：第一个节点
5-9：第二个节点
9-13：关系类型：TYPE
13-21：前一个关系的前后节点 ID
21-29：后一个关系的前后节点 ID
29-33：属性ID
34：是都是关系链中的第一个的标志

关系是双向链表，属性是单向链表

属性文件

存储文件neostore.propertystore.db

每个属性文件包含4个属性块，一个指向下个属性的ID，在属性链中
属性包括属性类型，指向属性索引文件neostore.propertystore.db.index的指针
- 属性是键值对存储的，数据类型可以使用JVM的所有私有属性，加上字符串和数组类型；
- 属性值也可以使用动态存储，就是大文件，类型如下：字符串&数组

查找时文件调用模型

image.png

节点包含指向关系链和属性链的第一个指针。
指向Label的指针，可能多个。
属性读取从单向链表的第一个开始
关系读取直接在双向链表中查找，直到找到想要的关系。

Index-Free Adjacency

查询时，算法复杂度，$O(n)$，$n$是节点数，其他常规索引的复杂度都是$O(n log n)$

删除修改一个有很多很多边的节点时会有点麻烦，因为没有常规索引，只能从关系链中开始删除。

为了去除所有的事件边，你必须访问每个相邻的顶点，并且为每个相邻的顶点执行一个潜在的昂贵的移除操作。

ArangoDB

文档在ArangoDB中的存储格式非常类似JSON，叫做VelocyPack格式的二进制格式存储。

文档被组织在集合中。
有两种集合：文档（V），边集合（E）
边集合也是以文档形式存储，但包含两个特殊的属性_from和_to，这两个属性被用来创建在文档和文档之间创建关系

存储空间占用下：采用了元数据模式存储数据

可通过内存提速，CPU占有率低。

索引

索引类型

Primary Index，默认索引，建立字段是_key或_id上，一个哈希索引
Edge Index，默认索引，建立在_from、_to上，哈希索引；不能用于范围查询、排序，弱于OrientDB
Hash Index，自建
Skiplist Index，有序索引，
- 用于快速查找具有特定属性值的文档，范围查询以及按索引排序顺序返回文档。
- 用于查找，范围查询和排序。补全范围查询的缺点。

Primary Index和Edge Index，是内存索引，文档加载速度很慢，推测是在重建索引。没有见到ArangoDB说有内存索引持久化。

Persistent Index，RocksDB的索引。
- 持久性索引是具有持久性的排序索引。当存储或更新文档时，索引条目将写入磁盘。
- 使用持久性索引可能会减少集合加载时间。
Geo Index，用户可以在集合中的一个或多个属性上创建其他地理索引。地理索引用于快速找到地球表面的地方。
Fulltext Index，全文索引

Hash查询很快，几乎为$O(1)$。

Novel Hybrid Index

image.png

把所有的边都存储在一个大哈希表中，把每个顶点V都放到一个双链表中。

将节点放入链表中，遍历所有节点的复杂度时$O(k)$，k是节点总数。
- 节点邻接点是通过边集确定的，边集的起始点和结束点都是默认Hash索引的，所以查找一个节点的时间复杂度是$O(1)$。
遍历边的复杂度是$O(log E) + O(k)$，E是边的数量。
- 边的遍历是通过遍历节点开始的。
- 删除和修改边的时候，是通过节点的key查找的，确认边是不是节点的链表中的第一个，不是就通过链表继续找。
- 边索引不仅是边集的索引，也是顶点的邻接点的索引。

存储引擎

在ArangoDB 3.0 这个版本，arangodb切换了自己的存储引擎，RocksDB。

Persistent indexes via RocksDB is the first step of ArangoDB to persist indexes in general.

在docker下这个版本的ArangoDB的接口没有做好，挂在存储卷时会导致RocksDB IO异常。

架构变动很频繁。3.2版本还会引入pregel框架。

数据库的Bug不但存在于本身还存在于其它引用的架构处。

OrientDB

索引类型

SB-Tree Index：从其他索引类型中获得的特性的良好组合，默认索引
Hash Index：
Auto Sharding Index：提供一个DHT实现；不支持范围查询
Lucene Spatial Index：持久化，支持事物，范围查询

在 Java中，如果哈希函数不合理，返回值过于集中，会导致大字典更慢。Java 由于存在链表和红黑树互换机制，搜索时间呈对数级增长，而非线性增长。在理想的哈希函数下，无论字典多大，搜索速度都是一样快。

SB-Tree Index

UNIQUE：这些索引不允许重复的键。对于复合索引，这指的是组合键的惟一性。
NOTUNIQUE：这些索引允许重复的键。
FULLTEXT：这些索引是基于任何单个文本的。可以通过CONTAINSTEXT操作符在查询中使用它们。
DICTIONARY：这些索引类似于使用惟一的索引，但是在重复键的情况下，它们用新的记录替换现有的记录。

Lucene Engine

FULLTEXT：这些索引使用Lucene引擎来索引字符串内容。可以在LUCENE操作符的查询中使用它们。
SPATIAL：这些索引使用Lucene引擎来索引地理空间坐标。

SB索引

SB索引，B树上优化了数据插入和范围查询，时间复杂度$O(log(N))$，其底数大约500。

磁盘消耗大。

使用类似继承的方式去实现包含特殊属性的顶点集和边集。

OrientDB本地存储原则

OrientDB本地存储原则：使用包含由固定大小部分（页面）分割的磁盘数据并写入日志记录方法的磁盘缓存（当页面中的更改首先记录在所谓的持久存储器中时），我们可以实现以下特性：OrientDB 2.2.x——PLocal Engine

Operations on single page are atomic.
Changes applied to the page can be restored after server crash even if they were not flushed to the disk.

保护数据

image.png

集群实现就是通过Class的类似继承机制实现的分表。Clusters

内置查询语言分析

AQL

arangod与arangosh是用CPP写的。

网络/磁盘IO处理也是通过CPP写的
AQL执行器：CPP
AQL函数大部分是通过CPP写的，少部分是通过JS写的。
AQL调用的用户函数全是JS函数

但，arangod与arangosh依赖V8 JS引擎

所有的JS命令行进入arangosh都会被V8执行。
arangodJS孤岛，--javascript.v8-contexts，在多线程中用JS，但是JS本身还是单线程的。

类SQL语言，与ES6无缝连接，可以使用ES6语法。

JS的引入功能类似存储过程，提供Foxx框架
以V8作为语句执行引擎，性能有问题，而且导致很多坑；
V8和Neo4J与OrientDB的JVM相比差距有点大，执行的性能感觉和Node.JS差不错，适合事物密集型而不适合计算密集型的程序。
个人认为，arangosh使用V8的目的是通过异步回掉调用本地cpp代码提供计算性能，而不是使用V8去直接计算，所以在用各图数据库实现图算法的时候如果使用JS去实现的话，性能会不是那么的友善，对于ArangoDB值得期待的就是pregel将会在3.2版本面世。

Cypher

语义清晰，Neo4J唯一支持的语言

OrientDB SQL

类SQL，语法和SQL基本类似，冗长。

性能分析

少量数据分析

省

亿级数据分析

ArangoDB

arangoimp插入效率感人，推测原因：

导入方式是边插入边建立索引的，可能性不高，因为同一数据集在多台主机上严重了其卡住的位置是不同的
其hash函数设置不好，导致不停的哈希冲突，hash索引是arangodb的默认索引，可能性也不高；
官网上有模糊的说明，arangodb的索引是存储在内存中的，官网特意说明Persistent Index这个索引是存储在磁盘上的，其他索引是需要在文档加载时候重新建立索引的。

arangoimp在默认情况下到达1300万数据之后导入性能很差。

在都没有支持复杂图算法的情况下，十万级数据ArangoDB的图计算效率比较低，因为是单线程JS在V8上运行的。
arangodb对于边的插入不支持批量插入：

在arangosh中已经验证，其只能一条边一条边的插入，后面的数据会被无视掉。

arangoimp上存在无效参数：

比如创建边集选项，无论是否选择是true，都不会创建，Github上官方解释必须在数据库中先创建边集才可以，也就是说这个命令中的创建边集的参数是一个无效参数。

Neo4J

neo4j-import导入数据很快。

root@ubuntu:/var/lib/neo4j/data/databases# neo4j-import --into njaq --nodes /home/dawn/csv/perosnInfo.csv --relationships /home/dawn/csv/know.csv  --skip-bad-relationships true --skip-bad-entries-logging true --bad-tolerance true
WARNING: neo4j-import is deprecated and support for it will be removed in a future
version of Neo4j; please use neo4j-admin import instead.

Neo4j version: 3.2.1
Importing the contents of these files into njaq:
Nodes:
  /home/dawn/csv/perosnInfo.csv
Relationships:
  /home/dawn/csv/know.csv

Available resources:
  Total machine memory: 3.84 GB
  Free machine memory: 1.61 GB
  Max heap memory : 875.00 MB
  Processors: 4
  Configured max memory: 700.35 MB

Nodes, started 2017-06-08 05:35:30.741+0000
[>:18.87 MB|NODE:152.59 MB----|*PROPERTIES(3)============|LABEL SCAN--|v:37.14 MB/s-----------]20.0M ?21.8K
Done in 51s 548ms
Prepare node index, started 2017-06-08 05:36:22.495+0000
[*DETECT:419.62 MB----------------------------------------------------------------------------]20.0M ?-6500000
Done in 9s 126ms
Relationships, started 2017-06-08 05:36:31.678+0000
[>:7|T|*PREPARE(4)=========================================================|RE|CALCULATE-|P|v:]79.9M ?10.9K
Done in 4m 17s 742ms
Relationship --> Relationship  1/1, started 2017-06-08 05:40:49.548+0000
[*>-----------------------------------------------------------------------|LINK------------|v:]79.9M ? 405K
Done in 2m 5s 784ms
RelationshipGroup 1/1, started 2017-06-08 05:42:55.404+0000
[*>:??----------------------------------------------------------------------------------------]    0 ?    0
Done in 11ms
Node --> Relationship, started 2017-06-08 05:42:55.439+0000
[>:13|*>-------------------------------------------------|LIN|v:26.00 MB/s--------------------]19.9M ?2.18M
Done in 11s 833ms
Relationship <-- Relationship 1/1, started 2017-06-08 05:43:07.308+0000
[*>-------------------------------------------------------------------------------|LINK----|v:]79.9M ? 168K
Done in 11m 29s 787ms
Count groups, started 2017-06-08 05:54:37.570+0000
[*>:??----------------------------------------------------------------------------------------]    0 ?    0
Done in 1ms
Gather, started 2017-06-08 05:54:38.061+0000
[*>:??----------------------------------------------------------------------------------------]    0 ?    0
Done in 4ms
Write, started 2017-06-08 05:54:38.156+0000
[*>:??----------------------------------------------------------------------------------------]    0 ?    0
Done in 15ms
Node --> Group, started 2017-06-08 05:54:38.213+0000
[*>:??----------------------------------------------------------------------------------------]    0 ?    0
Done in 
Node counts, started 2017-06-08 05:54:38.264+0000
[*>(4)====================================================================================|COU]20.0M ?80.0K
Done in 1m 26s 338ms
Relationship counts, started 2017-06-08 05:56:04.625+0000
[*>(4)======================================================|COUNT----------------------------]80.0M ?1.81M
Done in 2m 47s 277ms

IMPORT DONE in 23m 22s 420ms. 
Imported:
  20000000 nodes
  79994052 relationships
  80000000 properties
Peak memory usage: 899.62 MB

Neo4J使用导入方法之后会建立索引，否则基本没有性能，建立索引很快。

图算法支持

ArangoDB图算法支持

AQL
1. 遍历：从指定开始点，通过一定算法、边类型、图类型、深度获取与指定开始点相关连通的点。
  1. 数据源：图、边集合
  2. 边方向：出边、入边、全部
  3. 遍历方式：BFS Or DFS
2. 最短路径：两点最短路径，选项基本和上面类型
Pregel
1. @arangodb/pregel 文件夹下，很多分布式的图算法
2. PageRank
3. CC 强弱连通算法
4. 单源最短路径算法

JS扩展

通过JS可以完成对内置算法的扩展，但是自定义方法是单线程JS函数，如果用来做算法，性能堪忧，最佳选择就是选择内置的方法去实现图算法。
通过JS可以实现很多算法，但是在ArangoSH下代码单线程运作，虽然arangod的JS是在多线程中运行的，但是arangosh是在单线程中运行的，且JS本身并不擅长处理计算型代码，相比之下通过内置的数据库语言而不是这种内置语言与JS混杂方式的代码会快很多；比如Neo4J，OrientDB的查询语言。

Neo4J

对于普通的遍历最短路径算法支持和ArangoDB一样都支持，但Neo4J的图的遍历深度的阈值设置比较难，且深度超过6算法会效率比较低。

相比之下，ArangoDB的算法参数设置全部依赖于Key-Value实现，算法在编码层次灵活性很高。

对于PageRank，CC等算法的实现，Neo4J提供两种方式：

编写Jar包，GitHub上有个未被官方承认的Jar包
Cypher直接实现

OrientDB

同上，图算法也支持Jar包导入。

内置图算法

最短路径

Cypher:

match (p1:personno:‘%s‘),(p2:personno:‘%s‘) match p=shortestPath((p1)-[*..3]->(p2)) return p

OrientDB SQL:

select dijkstra((select @RID from persons where no=‘%s‘),(select @RID from persons where no=‘%s‘),‘E‘)

AQL:

for v,e in outbound shortest_path ‘%s‘ to ‘%s‘ graph ‘graphpersons‘ return [v._key,e._key]

邻接点

Cypher:

MATCH (js:person)-[:know]-(surfer) WHERE js.no = ‘%s‘ return surfer

OrientDB SQL:

select from E where out = (select @RID from persons where no=‘%s

AQL:

traversal_results = graphPersons.traverse(
      start_vertex=‘persons/‘+getSingleInfo(id).no,
      strategy=‘bfs‘,
      direction=‘outbound‘,
      edge_uniqueness=‘global‘,
      vertex_uniqueness=‘global‘,
      max_depth=1
  )

参考资料

原文地址：https://www.jianshu.com/p/6cab7a150755

以上是关于主流图数据库Neo4JArangoDBOrientDB综合对比：架构分析的主要内容，如果未能解决你的问题，请参考以下文章

业界内主流图数据库调研

主流开源分布式图数据库 Benchmark

三大主流开源 NoSQL 数据库的 PK 两大主流传统 SQL 数据库

主流图数据库Neo4JArangoDBOrientDB综合对比：架构分析

主流图嵌入模型的原理和应用

一张主流编程语言的变迁图，讲清程序员迁移模式