使用 BigQuery Graph 和 Spanner Graph

本文档通过比较 BigQuery Graph 和 Spanner Graph，帮助您确定要使用的图解决方案。

此比较仅作为建议，并非绝对。 BigQuery Graph 和 Spanner Graph 之间存在显著的功能重叠，用户应根据自己的工作负载需求来确定要使用的功能。

何时使用 BigQuery Graph 和 Spanner Graph

BigQuery Graph 和 Spanner Graph 适用于不同类型的图工作负载。BigQuery Graph 适用于大规模深度分析，而 Spanner Graph 适用于实时操作。

BigQuery Graph

BigQuery Graph 经过优化，可对大型图运行复杂查询。您可以分析全球模式、识别历史趋势，并发现海量数据集中的隐藏关系。

其技术特征包括大规模优化性能、并行处理、对图表的重要部分进行复杂查询、密集计算和复杂聚合。

常见用例包括下列各项：

  • 离线欺诈检测：在客户图谱中，通过几度连接（共享相同的电子邮件、手机或地址）查找与整个网络中已知欺诈者相关联的其他可疑用户。如需查看有关欺诈检测的教程，请参阅 Spanner 和 BigQuery：实时 Fraud Defense 盾。
  • 供应链优化：构建物料清单图，表示最终产品与其组件之间的关系，以便进行产品目录方案。通过分析所有产品线中的顶级产品及其根组件，计算产品交付日期并了解材料供应情况。
  • 全面了解客户细分：构建全面了解客户的图表，以了解产品订阅、转化和流失的客户历程。您可以使用此图来确定客户流失的原因、确定使用模式，并使用该图在整个受众群体中进行客户细分和受众群体定位。

Spanner Graph

Spanner Graph 适用于实时操作。它针对需要执行以下操作的应用进行了优化：执行涉及少量图元素的即时 k 跳查询、在几毫秒内检测欺诈行为、执行沿袭跟踪以进行身份和依赖项验证，以及提供实时推荐。

其技术特性包括：延迟时间可预测且抖动极小、每秒查询次数 (QPS) 随 Spanner 节点数量线性扩缩，以及几乎无限的扩缩能力。它还具有内置图存储功能，支持节点和边缘表交错、常年运行的可用性、全球一致性，以及从单个图节点或一组图节点开始的点查找和多跃点查询。

常见用例包括下列各项：

  • 实时欺诈检测：在几毫秒内，根据已知欺诈设备和账号的图表检查信用卡刷卡情况。
  • 自主网络运维：构建网络的数字孪生体，以进行实时性能监控和优化。
  • 实体解析：根据不同的 PII（电子邮件、手机、Venmo ID）构建关联身份集群，作为可信来源。在投放广告之前，使用规范配置文件进行身份查找，执行实时欺诈检测，并训练 Feature Store。

BigQuery Graph 和 Spanner Graph 如何协同工作

BigQuery Graph 和 Spanner Graph 协同工作，提供全面的解决方案。例如，在客户 360 用例中：

  1. 实时数据分析：客服人员使用 Spanner Graph，根据实时购买和配送统计信息，处理用户关于配送错误商品的投诉。
  2. 复制或查询：您可以使用 Spanner 变更数据流将数据从 Spanner 复制到 BigQuery，而无需复杂的提取、转换和加载 (ETL) 过程；也可以使用 BigQuery 联合查询直接从 BigQuery 查询 Spanner 数据。
  3. 分析模式：数据科学家使用 BigQuery Graph 识别同一数据中的“流失热点”，从而将客户标记为“有流失风险”。
  4. 反馈环：“有风险”标签会通过反向提取、转换和加载 (ETL) 支持推送到 Spanner Graph，以便为此客户生成优惠券代码，防止客户流失。

在 BigQuery Graph 和 Spanner Graph 之间移动数据

您可以在 Spanner Graph 和 BigQuery Graph 之间移动数据，以满足工作负载要求：

  • 正向 ETL：如需将数据从 Spanner 移动到 BigQuery 以进行分析查询，请使用 Dataflow 模板。

  • 反向 ETL：虽然您可以直接从 BigQuery Graph 查询 Spanner 数据，但在某些情况下，您可能需要将 BigQuery 数据导入 Spanner Graph。使用 EXPORT DATA SQL 语句。如需了解详情，请参阅了解反向 ETL 流水线。

特性比较

下表按功能最适合的产品详细列出了各项功能：

功能 BigQuery Graph（离线/批处理） Spanner Graph（在线/实时）
图模型、查询与可视化 采用统一的图建模与 Graph Query Language，均由符合 ISO SQL 标准的 GoogleSQL 提供强力支持。相同的图可视化界面。 采用统一的图建模与 Graph Query Language，均由符合 ISO SQL 标准的 GoogleSQL 提供强力支持。相同的图可视化界面。
主要工作负载 离线（批量）：对海量数据集进行聚合分析。 在线（实时）：执行大量低延迟的读写操作。
查询延迟时间 几秒到几小时。针对扫描 TB/PB 级数据进行了优化。 几毫秒到几秒。对面向用户的应用至关重要。
查询句式 全局或全图：“谁的‘网络覆盖面’超过 5,000 人？” 本地或社区：“谁是我的二度人脉（朋友的朋友），但不在我的直接社交圈里？”
发展壮大 PB 级，几乎无限制，针对大规模历史数据进行了优化。 支持横向伸缩，规模近乎无限，针对热数据进行了优化。
数据新鲜度 近乎实时或批量。支持访问不同来源的数据（例如，通过 Data Boost for Spanner 访问 Spanner Graph 数据，或访问 Bigtable、Cloud Storage 或 Amazon S3 中的数据）。 实时、强一致性。
数据输入 数据湖、历史日志、归档的交易数据。 实时应用流、用户互动。
数据移动 使用预构建模板（批处理模板、流处理模板）将 Spanner 数据迁移至 BigQuery（正向提取、转换和加载 [ETL]）。使用 EXPORT_DATA 将 BigQuery 数据迁移至 Spanner（反向 ETL）。 查询联合（零 ETL）配合外部架构。 使用预构建模板（批处理模板、流处理模板）将 Spanner 数据迁移至 BigQuery（正向提取、转换和加载 [ETL]）。使用 EXPORT_DATA 将 BigQuery 数据迁移至 Spanner（反向 ETL）。 查询联合（零 ETL）配合外部架构。

后续步骤