下载掌阅APP，畅读海量书库
立即打开
如果你还怀疑关系型数据库的局限性，那么请想象一下，使用关系型数据库管理系统，是否能够解决以下问题：
·如何找到一个人朋友的朋友的朋友……？
·如何（实时）找到一个账户与多个黑名单账户之间的关联路径？
·如何判断某个时间段内两个账户之间的交易（或交易记录）是否正常？
·在一个供应链网络中，如果一个北美的制造厂/工厂停工，将会给韩国的百货商场旗舰店带来什么样的影响？
·在货运、电力传输、通信网络中，如果一个网络节点或服务停运（下线），受到波及和影响的范围有多大？
·在大健康领域，如果一个用户提交他的电子病历和健康档案，是否可以提供实时个性化的重大疾病保险推荐服务？
·在反洗钱的场景中，如何知晓一个账户持有者把他的资金通过多层中间人的账户转账后，最终再重新汇入他自己（或其他关系人）的账户中？
·现有的搜索引擎只可以进行一维的、基于关键字的搜索，例如输入“牛顿与成吉思汗”，如何返回任何有实质意义的、关联发散的结果？
·在一张知识图谱中，如何找到多个知识实体间所形成的两两关联的网络？类似地，在一个由通话记录构成的大网中，如何找到1000个犯罪嫌疑人所构成的两两之间的6度以内的关联网络？
以上9个问题仅列举了传统数据管理系统（当然也包含其他的NoSQL或大数据框架）或搜索引擎无法以高效、低代价的方式完成的众多挑战中的一小部分。图1-22展示了使用图进行网络分析，与其他类型的数据源不同，其可敏捷应对变化、未知的数据关系与类型以及能高效处理海量数据。
在实时图数据库和图计算引擎的帮助下，我们可以实时地在不同数据间找到深度关联关系。举例来说，基于百科全书的知识体系而构建的知识图谱数据集中（一张大图，图中的顶点是一个个的知识点，而边则是知识点之间的关联关系），通过图引擎可以实时计算出如图1-23、图1-24所示路径。
与传统的搜索引擎不同，当搜索时，你期待的返回结果不再是单一的网页、链接排序，而是更为复杂、多边甚至全面的关联关系，搜索引擎不会返回为空、答非所问或无实际意义的答案，在实时图计算引擎的支撑下，它可以返回最优的、人脑都无法企及的智能路径。如果仔细观察图1-24中的路径，你会发现这些实体与关联关系所形成的每一条路径存在着强因果关系。通过这种“高维”搜索引擎返回的有强因果关系的路径，一环扣一环，其中蕴含的知识体量与密度（熵值）远高于传统的基于倒排索引和PageRank算法的互联网搜索引擎。并且，以上所有过程在图数据库支撑下都是实时完成，返回最优（不一定是最短）路径。如果用户对展望未来更感兴趣，可以改变筛选过滤和调整条件，例如设置相关顶点（或节点）与边的参数（或属性），并按照一定的模板逻辑来实现搜索等，如图1-25所示。
图1-22 使用图进行网络分析，它将高于所有其他类型的数据源
图1-23 实时搜索最短路径：从牛顿到成吉思汗（表单模式）
图1-24 实时搜索最短路径：从牛顿到成吉思汗（图形模式）
很显然，随着过滤条件变得更苛刻，搜索返回结果的路径变得更长了（从5层增加为7层），但是搜索时间并没有指数级增长。这是实时图计算引擎的一个很重要的能力——对子图的动态剪枝能力，一边搜索，一边过滤（剪枝）。缺乏这种能力的图数据库绝无可能成为有商业应用前景的实时图数据库。
图1-26展示了由以上路径动态生成的子图的2D空间可视化效果。
另一个实例是通过对转账、汇款、取现等交易的数据流进行追踪来实现实时反洗钱监测。图1-27中左边最大的点是资金流出方，经过10层中间账号不断转账转发，最终汇聚在右边的小点（账户）位置。除非经过10层以上的深层挖掘，否则你很难发现数据（资金）的真正流向，以及它们背后的真正意图。对于各国的金融监管机构而言，实时图数据库与图计算的意义不言而喻——当犯罪分子在以图的方式规避监管的时候，他们会通过构造深层的图模型来逃避反洗钱追踪，而监管机构只有使用具备深度穿透分析能力的图数据库才能让犯罪分子无处遁形。
图1-25 实时动态图过滤与剪枝（通过图搜索过滤）
图1-26 通过图过滤后形成的多层关联
图1-27 资金流向图
绝大多数人都知道“蝴蝶效应”，就是在数据和信息的海洋中捕捉从一个（或多个）实体到遥远的另外一个（或多个）实体间微妙的关联关系。从数据处理框架的角度来看，如果没有图计算的帮助，蝴蝶效应是极难被发现的。有人会说随着算力的指数级增强，未来总有一天我们会实现，笔者以为，这一天已经到来！实时图数据库就是进行蝴蝶效应计算、查询的最佳工具。
在2017年，知名数据分析公司Gartner提出了一个5层的数据分析模型，如图1-28所示。
图1-28 Gartner 5层数据分析模型
在图1-28中，数据分析的未来在于“网络分析”，或称为实体链接分析，建立这个系统只能依赖图数据库。图计算系统把数据以网络拓扑结构的方式构建，并搜寻网络内的关联关系，它的效率远超关系型数据库管理系统。关系型数据库通过表连接来进行计算，它可能永远无法完成类似的任务。
数据分析（技术）的发展是商业发展的必然结果，它提高了数据处理的科技水平。在图1-28中，从第1层到第2层可以视为数据分析领域内从单机应用到互联应用的提升；第3层是渠道中心化数据分析，它经常发生在一个公司的渠道或部门的内部；第4层的特点是跨渠道，它要求大型公司内的不同渠道进行数据分享，从而最大程度挖掘数据的价值，你必须合并各个渠道搜集到的不同类数据，并把它们视为一个整体，由此来进行网络化分析（例如社交网络分析）。这种通用的、跨部门、跨数据集的多维数据间关联分析需求的挑战，只有图数据库才能完美实现。