LDBC 社交网络基准测试:图引擎与关系型引擎性能对比研究
《Electronics》:Graph Versus Relational Infrastructure for Social Network Analysis at Community Scale: Traversal, Centrality, Community Detection and the Data Path to Graph Neural Networks
【字体:
大
中
小
】
时间:2026年09月25日
来源:Electronics 2.9
编辑推荐:
摘要
社交平台的中心性、社区结构和覆盖范围分析依赖于底层的数据基础设施,这些分析本质上都是图遍历操作。本文在LDBC社交网络基准测试中,对比了原生图引擎(Neo4j 5.26与Graph Data Science库)和关
摘要
社交平台的中心性、社区结构和覆盖范围分析依赖于底层的数据基础设施,这些分析本质上都是图遍历操作。本文在LDBC社交网络基准测试中,对比了原生图引擎(Neo4j 5.26与Graph Data Science库)和关系型引擎(PostgreSQL 16)在0.1和1的放大倍数下的性能。其中较大的测试案例包含9892个用户,相当于一个在线社区的大小,而非整个平台的规模。通过3200次执行测试了七种针对社会分析任务的交互式查询,以及PageRank和Louvain算法。结果显示没有一种方法绝对占优。在以聚合操作为主的工作负载中(涉及两跳范围内的数据),关系型引擎的性能优势在3.2到8.1倍之间;而在以图遍历本身为主的工作负载中,图引擎的优势在1.35到18.0倍之间。所有这些差异在统计上都是显著的,但这种现象仅在相同的工作负载下被观察到,因此仍屬于假设范畴。在图引擎最明显的优势方面,计数器的统计结果()与延迟比()之间存在相关性,这表明性能差异主要源于两种处理方式所完成的工作量不同。查询的编写方式比引擎类型本身更为重要:一个自然的递归SQL shortest-path查询在全部200次执行中都出现了超时;而通过逐跳重写的查询则能够在时间内完成。PageRank算法无法用标准递归SQL实现。尽管在对非对称连接进行修正后,排名结果仍然有效;但基于增长率的外推分析则不起作用。本文提出了一个分析模型,并建议采用决策框架和混合架构来解决这些问题。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号