主流開源分佈式圖數據庫 Benchmark

本文由美團 NLP 團隊高辰、趙登昌撰寫首發於 Nebula Graph 官方論壇：https://discuss.nebula-graph.com.cn/t/topic/1377html

1. 前言

近年來，深度學習和知識圖譜技術發展迅速，相比於深度學習的「黑盒子」，知識圖譜具備很強的可解釋性，在搜索推薦、智能助理、金融風控等場景中有着普遍的應用。美團基於積累的海量業務數據，結合使用場景進行充分地挖掘關聯，逐步創建起包括美食圖譜、旅遊圖譜、商品圖譜在內的近十個領域知識圖譜，並在多業務場景落地，助力本地生活服務的智能化。node

爲了高效存儲並檢索圖譜數據，相比傳統關係型數據庫，選擇圖數據庫做爲存儲引擎，在多跳查詢上具備明顯的性能優點。當前業界知名的圖數據庫產品有數十款，選型一款可以知足美團實際業務需求的圖數據庫產品，是建設圖存儲和圖學習平臺的基礎。咱們結合業務現狀，制定了選型的基本條件：git

開源項目，對商業應用友好
- 擁有對源代碼的控制力，才能保證數據安全和服務可用性。
支持集羣模式，具有存儲和計算的橫向擴展能力
- 美團圖譜業務數據量能夠達到千億以上點邊總數，吞吐量可達到數萬 qps，單節點部署沒法知足存儲需求。
可以服務 OLTP 場景，具有毫秒級多跳查詢能力
- 美團搜索場景下，爲確保用戶搜索體驗，各鏈路的超時時間具備嚴格限制，不能接受秒級以上的查詢響應時間。
具有批量導入數據能力
- 圖譜數據通常存儲在 Hive 等數據倉庫中。必須有快速將數據導入到圖存儲的手段，服務的時效性才能獲得保證。

咱們試用了 DB-Engines 網站上排名前 30 的圖數據庫產品，發現多數知名的圖數據庫開源版本只支持單節點，不能橫向擴展存儲，沒法知足大規模圖譜數據的存儲需求，例如：Neo4j、ArangoDB、Virtuoso、TigerGraph、RedisGraph。通過調研比較，最終歸入評測範圍的產品爲：NebulaGraph（原阿里巴巴團隊創業開發）、Dgraph（原 Google 團隊創業開發）、HugeGraph（百度團隊開發）。github

2. 測試概要

2.1 硬件配置

數據庫實例：運行在不一樣物理機上的 Docker 容器。
單實例資源：32 核心，64GB 內存，1TB SSD 存儲。【Intel(R) Xeon(R) Gold 5218 CPU @ 2.30GHz】
實例數量：3

2.2 部署方案

Nebula v1.0.1

Metad 負責管理集羣元數據，Graphd 負責執行查詢，Storaged 負責數據分片存儲。存儲後端採用 RocksDB。redis

實例 1	實例 2	實例 3
Metad	Metad	Metad
Graphd	Graphd	Graphd
Storaged[RocksDB]	Storaged[RocksDB]	Storaged[RocksDB]

Dgraph v20.07.0

Zero 負責管理集羣元數據，Alpha 負責執行查詢和存儲。存儲後端爲 Dgraph 自有實現。數據庫

實例 1	實例 2	實例 3
Zero	Zero	Zero
Alpha	Alpha	Alpha

HugeGraph v0.10.4

HugeServer 負責管理集羣元數據和查詢。HugeGraph 雖然支持 RocksDB 後端，但不支持 RocksDB 後端的集羣部署，所以存儲後端採用 HBase。後端

實例1	實例2	實例3
HugeServer[HBase]	HugeServer[HBase]	HugeServer[HBase]
JournalNode	JournalNode	JournalNode
DataNode	DataNode	DataNode
NodeManager	NodeManager	NodeManager
RegionServer	RegionServer	RegionServer
ZooKeeper	ZooKeeper	ZooKeeper
NameNode	NameNode[Backup]	-
-	ResourceManager	ResourceManager[Backup]
HBase Master	HBase Master[Backup]	-

3. 評測數據集

社交圖譜數據集：https://github.com/ldbc011
- 生成參數：branch=stable, version=0.3.3, scale=1000
- 實體狀況：4 類實體，總數 26 億
- 關係狀況：19 類關係，總數 177 億
- 數據格式：csv
- GZip 壓縮後大小：194 G

4. 測試結果

4.1 批量數據導入

4.1.1 測試說明

批量導入的步驟爲：Hive 倉庫底層 csv 文件 -> 圖數據庫支持的中間文件 -> 圖數據庫。各圖數據庫具體導入方式以下：緩存

Nebula：執行 Spark 任務，從數倉生成 RocksDB 的底層存儲 sst 文件，而後執行 sst Ingest 操做插入數據。
Dgraph：執行 Spark 任務，從數倉生成三元組 rdf 文件，而後執行 bulk load 操做直接生成各節點的持久化文件。
HugeGraph：支持直接從數倉的 csv 文件導入數據，所以不須要數倉-中間文件的步驟。經過 loader 批量插入數據。

4.1.2 測試結果

4.1.3 數據分析

Nebula：數據存儲分佈方式是主鍵哈希，各節點存儲分佈基本均衡。導入速度最快，存儲放大比最優。
Dgraph：原始 194G 數據在內存 392G 的機器上執行導入命令，8.7h 後 OOM 退出，沒法導入全量數據。數據存儲分佈方式是三元組謂詞，同一種關係只能保存在一個數據節點上，致使存儲和計算嚴重偏斜。
HugeGraph：原始 194G 的數據執行導入命令，寫滿了一個節點 1,000G 的磁盤，形成導入失敗，沒法導入全量數據。存儲放大比最差，同時存在嚴重的數據偏斜。

4.2 實時數據寫入

4.2.1 測試說明

向圖數據庫插入點和邊，測試實時寫入和併發能力。
- 響應時間：固定的 50,000 條數據，以固定 qps 發出寫請求，所有發送完畢即結束。取客戶端從發出請求到收到響應的 Avg、p9九、p999 耗時。
- 最大吞吐量：固定的 1,000,000 條數據，以遞增 qps 發出寫請求，Query 循環使用。取 1 分鐘內成功請求的峯值 qps 爲最大吞吐量。

插入點

Nebula

INSERT VERTEX t_rich_node (creation_date, first_name, last_name, gender, birthday, location_ip, browser_used) VALUES ${mid}:('2012-07-18T01:16:17.119+0000', 'Rodrigo', 'Silva', 'female', '1984-10-11', '84.194.222.86', 'Firefox')

Dgraph

{
    set {
        <${mid}> <creation_date> "2012-07-18T01:16:17.119+0000" .
        <${mid}> <first_name> "Rodrigo" .
        <${mid}> <last_name> "Silva" .
        <${mid}> <gender> "female" .
        <${mid}> <birthday> "1984-10-11" .
        <${mid}> <location_ip> "84.194.222.86" .
        <${mid}> <browser_used> "Firefox" .
    }
}

HugeGraph

g.addVertex(T.label, "t_rich_node", T.id, ${mid}, "creation_date", "2012-07-18T01:16:17.119+0000", "first_name", "Rodrigo", "last_name", "Silva", "gender", "female", "birthday", "1984-10-11", "location_ip", "84.194.222.86", "browser_used", "Firefox")

插入邊

Nebula

INSERT EDGE t_edge () VALUES ${mid1}->${mid2}:();

Dgraph

{
    set {
        <${mid1}> <link> <${mid2}> .
    }
}

HugeGraph

g.V(${mid1}).as('src').V(${mid2}).addE('t_edge').from('src')

4.2.2 測試結果

實時寫入

4.2.3 數據分析

Nebula：如 4.1.3 節分析所述，Nebula 的寫入請求能夠由多個存儲節點分擔，所以響應時間和吞吐量均大幅領先。
Dgraph：如 4.1.3 節分析所述，同一種關係只能保存在一個數據節點上，吞吐量較差。
HugeGraph：因爲存儲後端基於 HBase，實時併發讀寫能力低於 RocksDB（Nebula）和 BadgerDB（Dgraph），所以性能最差。

4.3 數據查詢

4.3.1 測試說明

以常見的 N 跳查詢返回 ID，N 跳查詢返回屬性，共同好友查詢請求測試圖數據庫的讀性能。
- 響應時間：固定的 50,000 條查詢，以固定 qps 發出讀請求，所有發送完畢即結束。取客戶端從發出請求到收到響應的 Avg、p9九、p999 耗時。
  - 60s 內未返回結果爲超時。
- 最大吞吐量：固定的 1,000,000 條查詢，以遞增 qps 發出讀請求，Query 循環使用。取 1 分鐘內成功請求的峯值 qps 爲最大吞吐量。
- 緩存配置：參與測試的圖數據庫都具有讀緩存機制，默認打開。每次測試前均重啓服務清空緩存。

N 跳查詢返回 ID

Nebula

GO ${n} STEPS FROM ${mid} OVER person_knows_person

Dgraph

{
 q(func:uid(${mid})) {
   uid
   person_knows_person { #${n}跳數 = 嵌套層數
     uid
   }
 }
}

HugeGraph

g.V(${mid}).out().id() #${n}跳數 = out()鏈長度

N 跳查詢返回屬性

Nebula

GO ${n} STEPS FROM ${mid} OVER person_knows_person YIELDperson_knows_person.creation_date, $$.person.first_name, $$.person.last_name, $$.person.gender, $$.person.birthday, $$.person.location_ip, $$.person.browser_used

Dgraph

{
  q(func:uid(${mid})) {
    uid first_name last_name gender birthday location_ip browser_used
    person_knows_person { #${n}跳數 = 嵌套層數
      uid first_name last_name gender birthday location_ip browser_used
    }
  }
}

HugeGraph

g.V(${mid}).out()  #${n}跳數 = out()鏈長度

共同好友查詢語句

Nebula

GO FROM ${mid1} OVER person_knows_person INTERSECT GO FROM ${mid2} OVER person_knows_person

Dgraph

{
  var(func: uid(${mid1})) {
    person_knows_person {
      M1 as uid
    }
  }
  var(func: uid(${mid2})) {
    person_knows_person {
      M2 as uid
    }
  }
  in_common(func: uid(M1)) @filter(uid(M2)){
    uid
  }
}

HugeGraph

g.V(${mid1}).out().id().aggregate('x').V(${mid2}).out().id().where(within('x')).dedup()

4.3.2 測試結果

N 跳查詢返回 ID

N 跳查詢返回屬性

單個返回節點的屬性平均大小爲 200 Bytes。安全

共同好友本項未測試最大吞吐量。

4.3.3 數據分析

在 1 跳查詢返回 ID「響應時間」實驗中，Nebula 和 DGraph 都只須要進行一次出邊搜索。因爲 DGraph 的存儲特性，相同關係存儲在單個節點，1 跳查詢不須要網絡通訊。而 Nebula 的實體分佈在多個節點中，所以在實驗中 DGraph 響應時間表現略優於 Nebula。
在 1 跳查詢返回 ID「最大吞吐量」實驗中，DGraph 集羣節點的 CPU 負載主要落在存儲關係的單節點上，形成集羣 CPU 利用率低下，所以最大吞吐量僅有 Nebula 的 11%。
在 2 跳查詢返回 ID「響應時間」實驗中，因爲上述緣由，DGraph 在 qps=100 時已經接近了集羣負載能力上限，所以響應時間大幅變慢，是 Nebula 的 3.9 倍。
在 1 跳查詢返回屬性實驗中，Nebula 因爲將實體的全部屬性做爲一個數據結構存儲在單節點上，所以只須要進行【出邊總數 Y】次搜索。而 DGraph 將實體的全部屬性也視爲出邊，而且分佈在不一樣節點上，須要進行【屬性數量 X * 出邊總數 Y】次出邊搜索，所以查詢性能比 Nebula 差。多跳查詢同理。
在共同好友實驗中，因爲此實驗基本等價於 2 次 1 跳查詢返回 ID，所以測試結果接近，再也不詳述。
因爲 HugeGraph 存儲後端基於 HBase，實時併發讀寫能力低於 RocksDB（Nebula）和 BadgerDB（Dgraph），所以在多項實驗中性能表現均落後於 Nebula 和 DGraph。

5. 結論

參與測試的圖數據庫中，Nebula 的批量導入可用性、導入速度、實時數據寫入性能、數據多跳查詢性能均優於競品，所以咱們最終選擇了 Nebula 做爲圖存儲引擎。微信

6. 參考資料

NebulaGraph Benchmark：https://discuss.nebula-graph.com.cn/t/topic/782
NebulaGraph Benchmark 微信團隊：https://discuss.nebula-graph.com.cn/t/topic/1013
DGraph Benchmark：https://dgraph.io/blog/tags/benchmark/
HugeGraph Benchmark：https://hugegraph.github.io/hugegraph-doc/performance/hugegraph-benchmark-0.5.6.html
TigerGraph Benchmark：https://www.tigergraph.com/benchmark/
RedisGraph Benchmark：https://redislabs.com/blog/new-redisgraph-1-0-achieves-600x-faster-performance-graph-databases/

本次性能測試系美團 NLP 團隊高辰、趙登昌撰寫，若是你對本文有任意疑問，歡迎來原貼和做者交流：https://discuss.nebula-graph.com.cn/t/topic/1377