图数据库和网状数据库
Transwarp StellarDB是星环科技自主研发的企业级分布式图数据库,提供高性能的图存储、计算、分析、查询和展示服务。StellarDB支持原生图存储,千亿点、万亿边、PB级大规模图数据存储;具备10+层的深度链路分析能力,提供丰富的图分析算法和深度图算法;支持标准图查询语言并兼容 openCypher,并具备2D/3D图展示能力,可以帮助用户快速开发欺诈检测、推荐引擎、社交网络分析、知识图谱等应用。
图数据库和网状数据库 更多内容

行业资讯
图数据库实例
图数据库实例在数据管理领域,图数据库正逐渐崭露头角,成为处理复杂关系数据的利器。与传统数据库不同,图数据库以节点和边为基础存储单元,能够直观地表示和高效地查询实体间的多层次关系。本文将通过几个典型账户,识别出潜在的欺诈团伙。这种环状或网状的资金流动模式,用传统数据库难以有效追踪,而图数据库则可以轻松应对。通过对交易频率、金额、时间等属性的分析,结合图算法,能够更准确地识别异常模式。知识图谱构建是图数据库另一个重要应用。将实体(如人物、地点、事件)和它们之间的关系存储为图结构,可以支持复杂的语义查询。例如,在医疗领域,可以将疾病、症状、药品、治疗方法等医学知识建模为知识图谱,当医生输入一组症状时,系统能够快速找到可能的疾病及相关治疗方案。这种关联推理能力使得图数据库成为构建智能问答系统和推荐系统的理想选择。物流和供应链管理也能从图数据库中获益。将仓库、配送中心、运输路线建模为图结构,可以隐藏的多跳关系,发现更深层次的关联,从而提供更精准的个性化推荐。图数据库在生命科学研究中也显示出独特价值。蛋白质相互作用网络、基因调控网络等生物系统本质上都是图结构。研究人员可以使用图数据库存储和分析

行业资讯
图数据库实例
图数据库实例在数据管理领域,图数据库正逐渐崭露头角,成为处理复杂关系数据的利器。与传统数据库不同,图数据库以节点和边为基础存储单元,能够直观地表示和高效地查询实体间的多层次关系。本文将通过几个典型账户,识别出潜在的欺诈团伙。这种环状或网状的资金流动模式,用传统数据库难以有效追踪,而图数据库则可以轻松应对。通过对交易频率、金额、时间等属性的分析,结合图算法,能够更准确地识别异常模式。知识图谱构建是图数据库另一个重要应用。将实体(如人物、地点、事件)和它们之间的关系存储为图结构,可以支持复杂的语义查询。例如,在医疗领域,可以将疾病、症状、药品、治疗方法等医学知识建模为知识图谱,当医生输入一组症状时,系统能够快速找到可能的疾病及相关治疗方案。这种关联推理能力使得图数据库成为构建智能问答系统和推荐系统的理想选择。物流和供应链管理也能从图数据库中获益。将仓库、配送中心、运输路线建模为图结构,可以隐藏的多跳关系,发现更深层次的关联,从而提供更精准的个性化推荐。图数据库在生命科学研究中也显示出独特价值。蛋白质相互作用网络、基因调控网络等生物系统本质上都是图结构。研究人员可以使用图数据库存储和分析

行业资讯
图数据库实例
图数据库实例在数据管理领域,图数据库正逐渐崭露头角,成为处理复杂关系数据的利器。与传统数据库不同,图数据库以节点和边为基础存储单元,能够直观地表示和高效地查询实体间的多层次关系。本文将通过几个典型账户,识别出潜在的欺诈团伙。这种环状或网状的资金流动模式,用传统数据库难以有效追踪,而图数据库则可以轻松应对。通过对交易频率、金额、时间等属性的分析,结合图算法,能够更准确地识别异常模式。知识图谱构建是图数据库另一个重要应用。将实体(如人物、地点、事件)和它们之间的关系存储为图结构,可以支持复杂的语义查询。例如,在医疗领域,可以将疾病、症状、药品、治疗方法等医学知识建模为知识图谱,当医生输入一组症状时,系统能够快速找到可能的疾病及相关治疗方案。这种关联推理能力使得图数据库成为构建智能问答系统和推荐系统的理想选择。物流和供应链管理也能从图数据库中获益。将仓库、配送中心、运输路线建模为图结构,可以隐藏的多跳关系,发现更深层次的关联,从而提供更精准的个性化推荐。图数据库在生命科学研究中也显示出独特价值。蛋白质相互作用网络、基因调控网络等生物系统本质上都是图结构。研究人员可以使用图数据库存储和分析

行业资讯
图数据库和向量数据库
图数据库和向量数据库是两种不同类型的数据库系统,它们在数据模型、查询方式以及应用场景等方面有显著的区别:图数据库数据模型:图数据库将数据表示为节点和边。节点代表实体,边代表实体之间的关系。这种模型特别适合处理高度互联的数据,如社交网络、生物信息学等。查询方式:图数据库擅长处理涉及关系和路径的查询,例如最短路径计算、模式匹配和网络分析。查询通常涉及遍历图结构,寻找特定的路径或子图。应用场景:广泛应用于社交网络分析、推荐系统、欺诈检测、知识图谱等领域。例如,在社交网络中,图数据库可以轻松应对各种复杂存储和查询场景。向量数据库数据模型:向量数据库专门用于存储和查询高维向量数据。这些向量可以代表数据类型:图数据库主要用于存储图形数据,而向量数据库主要用于存储向量数据。查询重点:图数据库侧重于关系和路径的查询,而向量数据库侧重于相似性搜索。适用场景:图数据库适合处理复杂关系的数据,如社交网络和知识图谱;向量数据库适合处理需要相似性搜索的数据,如推荐系统和图像检索。各种类型的数据,如图像、文本或声音等。向量数据库通过嵌入模型将数据转换为数值向量,便于进行高效的比较和相似性搜索。查询方式:向量数据库针对相似性搜索进行了优化,能够快速找到与查询向量最相似的若干个向量。它

行业资讯
图数据库和向量数据库
图数据库和向量数据库是两种不同类型的数据库系统,它们在数据模型、查询方式以及应用场景等方面有显著的区别:图数据库数据模型:图数据库将数据表示为节点和边。节点代表实体,边代表实体之间的关系。这种模型特别适合处理高度互联的数据,如社交网络、生物信息学等。查询方式:图数据库擅长处理涉及关系和路径的查询,例如最短路径计算、模式匹配和网络分析。查询通常涉及遍历图结构,寻找特定的路径或子图。应用场景:广泛应用于社交网络分析、推荐系统、欺诈检测、知识图谱等领域。例如,在社交网络中,图数据库可以轻松应对各种复杂存储和查询场景。向量数据库数据模型:向量数据库专门用于存储和查询高维向量数据。这些向量可以代表数据类型:图数据库主要用于存储图形数据,而向量数据库主要用于存储向量数据。查询重点:图数据库侧重于关系和路径的查询,而向量数据库侧重于相似性搜索。适用场景:图数据库适合处理复杂关系的数据,如社交网络和知识图谱;向量数据库适合处理需要相似性搜索的数据,如推荐系统和图像检索。各种类型的数据,如图像、文本或声音等。向量数据库通过嵌入模型将数据转换为数值向量,便于进行高效的比较和相似性搜索。查询方式:向量数据库针对相似性搜索进行了优化,能够快速找到与查询向量最相似的若干个向量。它

行业资讯
图数据库介绍
图数据库是一种专门用于存储和查询图形数据结构的数据库管理系统。它以节点(代表实体)和边(代表实体之间的关系)为核心数据模型,能够高效地表示和处理复杂的关系型数据。图数据库的特点包括:直观的数据模型:图结构直观地反映了现实世界中的实体和关系,使得数据的组织和理解更加自然和清晰。高效的关系查询:图数据库支持快速的关联查询和遍历,能够轻松处理复杂的多跳查询和路径分析,查询性能通常优于传统的关系型数据库。灵活性和可扩展性:数据模型灵活,可以动态地添加或修改节点、边和属性,无需预先定义固定的表结构,能够适应不断变化的数据需求.同时,许多图数据库支持分布式架构和水平扩展,能够处理大规模数据集。强大的关系分析能力:图数据库内置多种图算法,如最短路径、社区发现、图聚类等,能够深入挖掘数据中的关联模式和潜在关系,适用于推荐系统、社交网络分析、知识图谱等领域。支持ACID事务和数据一致性:确保数据操作的原子性、一致性、隔离性和持久性,保障数据的准确性和完整性。

行业资讯
图数据库和向量数据库
图数据库和向量数据库是两种不同类型的数据库系统,它们在数据模型、查询方式以及应用场景等方面有显著的区别:图数据库数据模型:图数据库将数据表示为节点和边。节点代表实体,边代表实体之间的关系。这种模型特别适合处理高度互联的数据,如社交网络、生物信息学等。查询方式:图数据库擅长处理涉及关系和路径的查询,例如最短路径计算、模式匹配和网络分析。查询通常涉及遍历图结构,寻找特定的路径或子图。应用场景:广泛应用于社交网络分析、推荐系统、欺诈检测、知识图谱等领域。例如,在社交网络中,图数据库可以轻松应对各种复杂存储和查询场景。向量数据库数据模型:向量数据库专门用于存储和查询高维向量数据。这些向量可以代表数据类型:图数据库主要用于存储图形数据,而向量数据库主要用于存储向量数据。查询重点:图数据库侧重于关系和路径的查询,而向量数据库侧重于相似性搜索。适用场景:图数据库适合处理复杂关系的数据,如社交网络和知识图谱;向量数据库适合处理需要相似性搜索的数据,如推荐系统和图像检索。各种类型的数据,如图像、文本或声音等。向量数据库通过嵌入模型将数据转换为数值向量,便于进行高效的比较和相似性搜索。查询方式:向量数据库针对相似性搜索进行了优化,能够快速找到与查询向量最相似的若干个向量。它

行业资讯
图数据库的应用
图形查询语言执行复杂的网络分析。4.生物信息学生物信息学中的基因、蛋白质、代谢途径等数据具有复杂的网状结构。图数据库能够存储和分析这些复杂的生物网络,支持基因表达分析、蛋白质互作网络和代谢途径探索等图数据库作为一种高效处理复杂关系数据的存储解决方案,在多个领域和场景中得到了广泛应用。以下是图数据库的主要应用场景及具体案例分析:1.社交网络分析社交网络中用户之间的关系错综复杂,图数据库能够高效地存储和查询这些关系。2.推荐系统推荐系统通过分析用户行为和偏好,提供个性化推荐。图数据库能够有效处理用户、项目和用户与项目间的关系。例如,通过用户偏好分析、项目相似度计算和协同过滤等操作,图数据库可以快速执行基于图的推荐算法。3.网络分析网络分析涉及通信网络、交通网络、供应链网络等。图数据库可以精确地表示网络结构,并高效分析网络流量和模式。例如,一家电信公司使用图数据库存储网络中的节点和边,并利用操作。5.地理信息系统(GIS)GIS用于捕捉、存储、分析和管理地理空间数据。图数据库提供了一种自然的方式来表示地理空间数据,支持路径查找、网络规划和空间分析等操作。6.欺诈检测欺诈检测需要分析交易数据

行业资讯
图数据库和向量数据库
图数据库和向量数据库是两种不同类型的数据库系统,它们在数据模型、查询方式以及应用场景等方面有显著的区别:图数据库数据模型:图数据库将数据表示为节点和边。节点代表实体,边代表实体之间的关系。这种模型特别适合处理高度互联的数据,如社交网络、生物信息学等。查询方式:图数据库擅长处理涉及关系和路径的查询,例如最短路径计算、模式匹配和网络分析。查询通常涉及遍历图结构,寻找特定的路径或子图。应用场景:广泛应用于社交网络分析、推荐系统、欺诈检测、知识图谱等领域。例如,在社交网络中,图数据库可以轻松应对各种复杂存储和查询场景。向量数据库数据模型:向量数据库专门用于存储和查询高维向量数据。这些向量可以代表数据类型:图数据库主要用于存储图形数据,而向量数据库主要用于存储向量数据。查询重点:图数据库侧重于关系和路径的查询,而向量数据库侧重于相似性搜索。适用场景:图数据库适合处理复杂关系的数据,如社交网络和知识图谱;向量数据库适合处理需要相似性搜索的数据,如推荐系统和图像检索。各种类型的数据,如图像、文本或声音等。向量数据库通过嵌入模型将数据转换为数值向量,便于进行高效的比较和相似性搜索。查询方式:向量数据库针对相似性搜索进行了优化,能够快速找到与查询向量最相似的若干个向量。它
猜你喜欢
产品文档
1 Introduction
OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...
产品文档
5.8 查看集群信息
查看Master节点通过以下命令,查看集群Master节点信息:curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/master?v'返回结果:epochtimestampactive.master.hostactive.master.portmaster.group169079683909:47:19172.29.203.18926841172.29.203.189:26841,172.29.203.189:26851,172.29.203.189:26861查看数据节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes?v'//查看所有节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes/{node}?v'//{node}表示待匹配的节点地址,支持以*通配,支持指定多个pattern,多个pattern以逗号分割返回结果:
产品文档
3.3 Cluster
OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...
产品文档
5.7 查询类操作
过滤条件表达式Hippo当前支持如下表达式,可用于标量或向量查询。表46.过滤条件表达式表达式描述and当前版本支持and,不支持or/not==等值<小于⇐小于等于>大于>=大于等于inin[1,2,3]notinnot_in[1,2,3]like'_'表示匹配任一字符,'%'表示匹配任意字符,'\'为转义符向量相似性检索本节描述如何进行向量相似度搜索。Hippo中的向量相似性搜索计算查询向量与表中向量的距离,返回最相似的结果集。通过指定标量过滤条件,用户可以进行向量与标量的混合搜索。curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/{table}/_search?pretty'-H'Content-Type:application/json'-d'{"output_fields":["book_id"],"search_params":{"anns_field":"book_intro","topk":2,"params":{"nprobe":10},"embedding_index":"ivf_flat_index"}...
产品文档
10 Hippo 运维
运维管理界面WebserverWebserver是Hippo提供运维监控的界面。默认访问地址为:4567"class="bare">http://<webserver_ip>:4567。或者在Manager管理界面我们可以通过下图所示的查看链接这里进行跳转。图15.登录HippoWebserverWebserver主要由下面几个部分构成。概况图16.概况该页面展示了Hippo集群的基本信息,包括:Masterstatus:当前的ActiveMaster,MasterGroup,MasterAddress,Master的健康状态TabletServerStatus:TabletServerAddress,健康状态,逻辑机架和数据中心信息,容量使用以及Tablet个数TabletNum:当前集群表的个数Version:Hippo版本信息库表图17.库表页面以库和表的概念集群存储的各类数据信息。库信息:库名库创建时间库内各类表的信息:点击某个库,可以看到库下所有表的信息,主要包括:••表的ID••表的名字••表的状态••表的Tablet数量••表的Engine类型••表的副本数•...
产品文档
5.18 全文检索
Hippo在1.2版本提供了全文索引能力,兼容ElasticSearch6.7.2语法,在底层架构上复用了公司产品TranswarpScope的一部分特性,支持以Java/HTTPRestful的形式通过Hippo的HTTPServer接口进行全文索引的创建、查询、使用等各类需求,通过该能力的支持,可以更好的实现向量与全文的混合检索。通过将向量检索加全文检索的联合召回,可以降低漏检和误检的概率,能够实现比单独使用向量或全文更高的精度。同时,一套数据库系统可避免部署多套系统带来的架构复杂、开发运维成本高等问题。具体的使用方法除了访问端口需要将端口从8902调整为9200外,均可参考《TranswarpScope手册》4.TranswarpScopeAPI介绍。
产品文档
8 性能分析
本节测试主要描述了Hippo1.0在关键测试上的一些性能表现,该份测试同样也是Hippo的基准测试,后续版本发布也会在不同版本上进行该测试进行对比分析。术语表142.Hippo性能测试术语TermDescriptionnq一次搜索请求中搜索的向量个数topk一次请求中对于要检索的每个向量(依赖nq),所能检索到最近距离的向量个数RT一次请求从发起到接受响应的时间]QPS请求在每秒内成功执行的次数dataset测试所用数据集,不同数据集表示不同的业务场景测试集群配置硬件配置表143.性能测试硬件配置硬件规范Nodes3CPUIntel®Xeon®Gold5218RCPU@2.10GHzMemory16*\16GBRDIMM,3200MT/sDISKNVMeSSD2T*4GPUNONE软件配置表144.性能测试软件配置软件版本Hippov1.2TranswarpManagerTDH9.3.0测试集表145.性能测试数据集数据集名称数据集介绍向量维度向量总数查询数量数据总量距离类型Sift-128-euclidean该数据集是基于Texmex的数据集整理,使用SIFT算法得到的图片特征向量。...
产品文档
5.3 写入类操作
本节介绍Hippo表写入相关操作。Hippo会返回写入成功数据的下标以及总共写入成功的数据条数,如果出现行级错误(比如主键冲突),Hippo会返回具体的行级错误。插入本节介绍如何向Hippo中插入数据。curl-ushiva:shiva-XPUT'localhost:8902/hippo/v1/{table}/_bulk?database_name={database_name}&pretty'-H'Content-Type:application/json'-d'{"fields_data":[{"field_name":"book_id","field":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74...
产品文档
2 Quick Start
ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...
产品文档
5.10 任务相关
在Hippo中,比较耗时的操作如激活、加载向量索引实际上是一个分布式任务,用户可以通过任务相关接口查看、删除任务。查看任务curl-ushiva:shiva-XGET"localhost:8902/hippo/v1/_jobs?pretty"-H'Content-Type:application/json'-d'{"job_ids":["fc6feff4f303455a9347f9aab323dfc8"],"action_patterns":["hippo*"]}';返回结果:{"jobs":[{"job_id":"810935a1d91a46b7af2ec35013454fed","job_status":"SHIVA_JOB_SUCCESS","embedding_number":100,"task_results":[{"id":"54ab52493dfb4bab9fb7742d850c64c4","status":"TASK_SUCCESS","server":"172.29.40.26:27841","embedding_number":100,"execute_time":...