【数易轩图数据库】图存储和图数据库是什么？

数易轩致力于图数据库标注技术服务，在本篇文章中，为您介绍存储技术以及构建一个图数据库需要考虑的问题。

Neo4j是一个广泛使用的图数据库；MySQL是一个广泛使用的部分开源关系型数据库；OceanBase 是一个金融级（实现了事务）分布式关系数据库。现在缺什么？一个支持高性能OLTP及OLAP的分布式图数据库。

一、图存储和图数据库

把物质存下来就叫做存储。我们这里的图存储 (Graph Storage)就是把图这个数据结构存下来。而数据库是一类计算机软件，是一种“按照数据结构来组织、存储和管理数据的仓库”。我们这里的图存储 (Graph Database)就是把对图进行管理的数据库。他们究竟有什么不同呢？简而言之，数据库不仅包含了存储，还包含了组织和管理。图存储，简而言之就是把图存到磁盘或SSD里，还要求读写快、不出错。那么图数据库里除了图存储，组织和管理又有哪些任务呢？理解数据库的组织的关键是理解其中的数据结构和硬件特性。我们都接触过机械硬盘，由于其物理构造通常以页为单位读取写入数据，所以传统数据库在机械硬盘里通常用B-树这样的结构进行组织。图数据依旧可以这样存吗？当然可以，把边以<入点，出点，属性>这个三元组组织起来，这也就是传统数据库里的一个表，自然可以用传统的方式存储。但是如果你了解了更多图计算的算法，你会发现图按照数据结构教材中的邻接表和邻接矩阵存，才有更高效的综合存取效率。先说邻接表，在很多前沿的图存储论文里，都使用高性能KV存储邻接表实现存储图的功能。所以可以把图存储当作一种特殊的KV存储，为什么特殊，因为图的节点度通常分布不均匀，真实世界中图的度通常满足幂律分布。再说邻接矩阵，在很多前沿的图计算论文里，会使用CSR和CSC存储图，这种方式优点主要有模型简单、压缩率较高、适应图机器学习，缺点主要是难适用于变化的图。组织的另一个重要任务是索引，传统数据库中的索引大家应该比较熟悉，但是图数据库中目前没有一个通用的解决多类问题的索引。数据库管理的关键技术其实都在广泛使用的RDBMS中有体现。比如数据库连接，其中科学问题也许涉及到数据库连接池、优化批量进行的数据库查询等；比如增删改查，会涉及到实现数据库事务的ACID特性、优化多表连接查询、优化新的查询任务等；比如数据库备份还原，会涉及到数据库容错、日志等问题。图数据库中，这些问题基本都有涉及，有不少论文考虑多查询优化、实现图数据库事务、数据库容错（主要是分布式环境，下面详谈）。

二、分布式图存储

图的组织以上已经谈过了，就是一个KV存储或者CSR之类的线性数组结构。如若在单台机器上研究这样结构的高效读写、不出错，对于非极度专业人士已经几乎没有任何机会了（在非易失性内存上还不断有研究但是一般和图没直接关联）。鉴于现在很多数据都在一台节点上存不下、或者是计算任务要求成百上千核同时工作，所以目前研究的主流是研究分布式环境下的图存储。一种是内存存储，主要需要优化存取时候的CPU消耗；另一种是外存存储，主要是优化分布式容错或者RAID类似技术；还有分布式系统所面临的问题，比如分布式一致性如何实现（理解CAP定理），如raft等等。

三、分布式图数据库

除了分布式图存储以外，专属于图数据库的任务包括但不仅限于图数据库分布式事务的实现、图划分、分布式图计算查询优化、分布式图流计算、分布式图索引技术（其实单机的都远没实现）等等一系列问题。

综上所述，本文介绍了当前有关于图存储和图数据库的研究热点，其中基本每个研究点都有论文支撑可以单独后台发信讨论。最后一个小tip：现在很多系统和数据库的论文里对于Graph Storage和Graph Database区分度已经不是很明显了，论题方式已经细化到对具体功能的实现和优化上。