本文作者系微信技术专家李本利
图数据在社交推荐、多跳实时计算、风控和安全等领域有可期待的前景。如何用图数据库高效存储和查询大规模异构图数据，是一个重大挑战。本文描述了开源分布式图数据库 Nebula Graph 实践中遇到的问题，并通过深度定制，实现：大数据集存储、小时级全量导入、多版本控制、秒级回滚、毫秒级访问等特性。
背景
为大众所熟知的图数据库大多在大数据集合上束手无策，如：Neo4j 的社区版本，采用 Cypher语言，由单机单副本提供服务，广泛应用于图谱领域。互联网公司只能在小数据集合下使用，还要解决 Neo4j 多副本一致性容灾的问题。JanusGraph 虽然通过外置元数据管理、kv 存储和索引的方式解决了大数据集合存储问题，但其存在广为诟病的性能问题。我们看到大部分图数据库在对比性能时都会提到和 JanusGraph 相比有几十倍以上的性能提升。
面临大数据量挑战的互联网公司，普遍走向了自研之路，为了贴合业务需求，仅支持有限的查询语义。国内主流互联网公司如何解决图数据库的挑战呢：
- 蚂蚁金服：GeaBase[1]
金融级图数据库，通过自定义类语言为业务方提供服务，全量计算下推，提供毫秒级延时。主要应用于以下场景：
-
金融风控场景：万亿级边资金网络，存储实时交易信息，实时欺诈检测。
-
推荐场景：股票证券推荐。
-
蚂蚁森林：万亿级的图存储能力，低延时强一致关系数据查询更新。
-
GNN：用于小时级 GNN 训练。尝试动态图 GNN 在线推理。[7]
-
阿里巴巴：iGraph[2]
iGraph 是图索引及查询系统，存储用户的行为信息，是阿里数据中台四驾马车之一。通过 Gremlin 语言为业务方提供电商图谱实时查询。
- 今日头条：ByteGraph[3]
ByteGraph 通过在 kv 上增加统一 cache 层，关系数据拆分为 B+ 树以应对高效的边访问和采样，类似 Facebook 的 TAO [6]。
- …
架构图
实践
从哪里开始呢？
我们选择从 Nebula Graph[4] 开始我们的图数据库之旅，其吸引我们的有以下几点：
-
数据集分片，每条边独立存储，超大规模数据集存储潜力。
-
定制强一致存储引擎，具有计算下推和 MMP 优化的潜力。
-
创始团队有丰富的图数据库经验，大数据集合下模型抽象思路经过验证。
实践中的问题
内存爆炸
本质上这是一个性能 VS 资源的问题，数据规模庞大的应用中，内存占用是一个不容忽视的问题。RocksDB 内存由三部分构成：block cache、index 和 bloom filter、iter pined block。
-
block cache 优化：采用全局 LRU cache，控制机器上所有 rocksdb 实例的 cache 占用。
-
bloom filter 优化：一条边被设计为一个 kv 存入到 rocksdb，如果全部 key 保存 bloom filter，每个 key 占用 10bit 空间，那么整个 filter 内存占用远超机器内存。观察到我们大部分的请求模式是获取某一个点的边列表，因此采用 prefix bloom filter；索引到点属性这一层实际上即可以对大多数请求进行加速。经过这个优化，单机 filter 所占用内存在 G 这个级别，大多数请求访问速度并未明显降低。
多版本控制
实践中，图数据需要进行快速回滚，定期全量导入，自动访问最新版本数据。我们把数据源大致可以分为两种类型：
-
周期性数据：比如，按天计算相似用户列表，导入后数据生效。
-
历史数据+实时数据：比如，历史数据按天刷新，和实时写入的数据进行合并成为全量数据。
如下是数据在 rocksdb 的存储模型：
vertex 存储格式
edge 存储格式
其中实时写入的数据 version 记录为时间戳。离线导入的数据 version 需要自己指定。我们将该字段和离线导入模块联合使用，用三个配置项进行版本控制：reserve_versions（需要保留的版本列表）、active_version（用户请求访问到的版本号）、max_version（保留某个版本之后数据，把历史数据和实时写入数据进行合并）。这样可以高效管理离线数据和在线数据，不再使用的数据在下一次 compaction 中被清除出磁盘。
通过这样的方式，业务代码可以无感更新数据版本，并做到了秒级回滚。
举例：
- 保留 3 个版本，激活其中一个版本：
alter edge friend reserve_versions = 1 2 3 active_version = 1
- 数据源为历史数据+实时导入数据。
alter edge friend max_version = 1592147484
快速批量导入
实践中导入大量数据是常规操作，如果不经任何优化，将需要导入的数据转为请求发给图数据库，不仅严重影响线上请求，而且大数据量导入耗时超过一天。对导入速度进行优化迫在眉睫。业界解决这个问题一般采用 SST Ingest 方式[5]。我们也是采用类似方式，通过例行调度 spark 任务，离线生成磁盘文件。然后数据节点拉取自己所需要的数据，并 ingest 到数据库中，之后进行版本切换控制请求访问最新版本数据。
整个过程导入速度快，约数个小时内完成全部过程。计算过程主要离线完成，对图数据库请求影响小。
shared nothing
这是近年来老生常谈的并发加速方式，然而要落地还是考验工程师的编程功底。meta cache 访问频繁，并用 shared_ptr 进行封装，也就成为了原子操作碰撞的高发地。为了能够实现真正的 shared nothing，我们将每一份 meta cache 拷贝为 thread local，具体解决方案请参考该 pull request [8]
小结
图数据库路阻且长，且行且珍惜。如果对于本文有什么疑问，可以在 GitHub[9] 上找找。
参考文献
-
Fu, Zhisong, Zhengwei Wu, Houyi Li, Yize Li, Min Wu, Xiaojie Chen, Xiaomeng Ye, Benquan Yu, and Xi Hu. “GeaBase: a high-performance distributed graph database for industry-scale applications.” International Journal of High Performance Computing and Networking 15, no. 1-2 (2019): 12-21.
-
Bronson, Nathan, Zach Amsden, George Cabrera, Prasad Chakka, Peter Dimov, Hui Ding, Jack Ferris et al. “{TAO}: Facebook’s distributed data store for the social graph.” In Presented as part of the 2013 {USENIX} Annual Technical Conference ({USENIX}{ATC} 13), pp. 49-60. 2013.
-
腾讯高性能分布式图计算框架柏拉图 https://github.com/Tencent/plato