BigQuery Graph und Spanner Graph verwenden

In diesem Dokument werden BigQuery Graph und Spanner Graph verglichen, um Ihnen bei der Entscheidung zu helfen, welche Graphlösung Sie verwenden sollten.

Dieser Vergleich dient als Empfehlung und ist nicht als absolut zu verstehen. Es gibt erhebliche Überschneidungen zwischen BigQuery Graph und Spanner Graph. Nutzer sollten ihre eigenen Arbeitslastanforderungen ermitteln, um zu entscheiden, welche Funktion sie verwenden möchten.

Wann BigQuery Graph und Spanner Graph verwendet werden sollten

BigQuery Graph und Spanner Graph sind für unterschiedliche Arten von Graph-Arbeitslasten geeignet. BigQuery Graph ist für umfangreiche Analysen im großen Maßstab gedacht, während Spanner Graph für Echtzeitvorgänge geeignet ist.

BigQuery-Graph

BigQuery Graph ist für die Ausführung komplexer Abfragen in großen Graphen optimiert. Sie können globale Muster analysieren, historische Trends identifizieren und versteckte Beziehungen in riesigen Datasets aufdecken.

Zu den technischen Merkmalen gehören optimierte Leistung im großen Maßstab, parallele Verarbeitung, komplexe Abfragen über einen großen Teil des Graphen, intensive Rechenleistung und komplexe Aggregationen.

Zu den häufigsten Anwendungsfällen gehören:

  • Offline-Betrugserkennung: Finden Sie andere verdächtige Nutzer, die mit bekannten Betrügern in Ihrem gesamten Netzwerk in einem Kundendiagramm verbunden sind, innerhalb weniger Verbindungsgrade, die dieselbe E-Mail-Adresse, Telefonnummer oder Adresse haben. Eine Anleitung zur Betrugserkennung finden Sie unter Spanner und BigQuery: Fraud Defense in Echtzeit.
  • Optimierung der Lieferkette: Erstellen Sie ein Diagramm der Stückliste, das die Beziehungen zwischen Endprodukten und ihren Komponenten für die Inventarplanung darstellt. Berechnen Sie Liefertermine für Produkte und analysieren Sie die Materialverfügbarkeit, indem Sie Produkte auf oberster Ebene bis hin zu ihren Stammkomponenten über alle Produktlinien hinweg analysieren.
  • Customer 360-Segmentierung: Erstellen Sie ein Customer 360-Diagramm, um die Customer Journeys für Produktabos, Conversions und Abwanderung zu verstehen. Anhand dieser Daten können Sie herausfinden, warum Kunden abwandern, Nutzungsmuster erkennen und den Graphen für die Kundensegmentierung und das Zielgruppen-Targeting für die gesamte Zielgruppe verwenden.

Spanner Graph

Spanner Graph ist für Echtzeitvorgänge gedacht. Sie ist für Anwendungen optimiert, die k-Hop-Abfragen ausführen müssen, die sofort eine kleine Gruppe von Diagrammelementen betreffen, Betrug in Millisekunden erkennen, die Herkunft für die Identitäts- und Abhängigkeitsprüfung verfolgen und Live-Empfehlungen bereitstellen müssen.

Zu den technischen Merkmalen gehören eine vorhersagbare Latenz mit minimalem Jitter, Abfragen pro Sekunde (QPS), die linear mit der Anzahl der Spanner-Knoten skaliert werden, und eine praktisch unbegrenzte Skalierung. Außerdem bietet er einen integrierten Graphspeicher mit Verschachtelung von Knoten- und Kantentabellen, always-on-Verfügbarkeit, globaler Konsistenz sowie Punktabfragen und Multi-Hop-Abfragen, die von einem einzelnen Graphknoten oder einer Gruppe von Graphknoten ausgehen.

Zu den häufigsten Anwendungsfällen gehören:

  • Betrugserkennung in Echtzeit: Sie können eine Kreditkartenzahlung innerhalb von Millisekunden mit einem Diagramm bekannter betrügerischer Geräte und Konten abgleichen.
  • Autonome Netzwerkvorgänge: Erstellen Sie einen digitalen Zwilling Ihres Netzwerks für Echtzeit-Leistungsmonitoring und -Optimierung.
  • Entitätsauflösung: Erstellen Sie Cluster verknüpfter Identitäten als Quelle der Wahrheit aus verschiedenen personenidentifizierbaren Informationen (E-Mail-Adresse, Telefonnummer, Venmo-ID). Verwenden Sie die kanonischen Profile für die Identitätssuche, bevor Sie Anzeigen ausliefern, führen Sie eine Betrugserkennung in Echtzeit durch und trainieren Sie Feature Stores.

Zusammenarbeit von BigQuery Graph und Spanner Graph

BigQuery Graph und Spanner Graph bieten zusammen eine umfassende Lösung. Beispiel für einen 360-Grad-Anwendungsfall:

  1. Echtzeit-Insights: Ein Kundenservicemitarbeiter verwendet Spanner Graph, um Kundenbeschwerden über den Versand des falschen Produkts anhand von Echtzeit-Kauf- und Lieferstatistiken zu bearbeiten.
  2. Replizieren oder abfragen: Sie können Daten von Spanner nach BigQuery replizieren, indem Sie Spanner-Änderungsstreams ohne komplexe ETL-Prozesse (Extrahieren, Transformieren und Laden) verwenden, oder Spanner-Daten direkt von BigQuery aus mit föderierten BigQuery-Abfragen abfragen.
  3. Muster analysieren: Ein Data Scientist verwendet BigQuery Graph, um anhand derselben Daten „Abwanderungs-Hotspots“ zu identifizieren und den Kunden als „gefährdet“ zu kennzeichnen.
  4. Feedbackschleife: Die Labels „at-risk“ werden mit Unterstützung für Reverse-ETL (Extract, Transform, Load) an Spanner Graph gesendet, um einen Gutscheincode für diesen Kunden zu generieren und so eine Abwanderung zu verhindern.

Daten zwischen BigQuery Graph und Spanner Graph verschieben

Sie können Daten zwischen Spanner Graph und BigQuery Graph verschieben, um sie an Ihre Arbeitslastanforderungen anzupassen:

  • Forward-ETL: Wenn Sie Daten für analytische Abfragen von Spanner nach BigQuery verschieben möchten, verwenden Sie eine Dataflow-Vorlage.

  • Reverse ETL: Sie können Spanner-Daten zwar direkt über BigQuery Graph abfragen, aber es kann Szenarien geben, in denen Sie BigQuery-Daten in Spanner Graph übertragen müssen. Verwenden Sie die SQL-Anweisung EXPORT DATA. Weitere Informationen finden Sie unter Reverse-ETL-Pipeline.

Funktionsvergleich

In der folgenden Tabelle finden Sie eine detaillierte Aufschlüsselung der Funktionen nach dem Produkt, für das sie am besten optimiert sind:

Funktion BigQuery-Graph (Offline/Batch) Spanner Graph (online/Echtzeit)
Graphmodell, Abfrage und Visualisierung Einheitliche Graphmodellierung und Graphabfragesprache, die alle auf GoogleSQL basieren, einem Teil des ISO-SQL-Standards. Gleiche Oberfläche für die Diagrammvisualisierung. Einheitliche Graphmodellierung und Graphabfragesprache, die alle auf GoogleSQL basieren, einem Teil des ISO-SQL-Standards. Gleiche Oberfläche für die Diagrammvisualisierung.
Primäre Arbeitslast Offline (Batch): Aggregationen über riesige Datasets. Online (Echtzeit): hohes Volumen an Lese-/Schreibvorgängen mit niedriger Latenz.
Abfragelatenz Sekunden bis Stunden. Optimiert für das Scannen von Terabyte/Petabyte. Millisekunden in Sekunden. Wichtig für nutzerorientierte Apps.
Abfragemuster Global oder gesamtes Diagramm: „Wer hat eine Netzwerkreichweite von mehr als 5.000 Personen?“ Lokal oder Nachbarschaft: „Wer ist mit meinen Freunden befreundet, gehört aber nicht zu meinem unmittelbaren Kreis?“
Skala Petabyte-Skalierung, praktisch unbegrenzt, optimiert für große Mengen an Verlaufsdaten. Horizontal skalierbar, praktisch unbegrenzte Skalierung, optimiert für Hot Data.
Datenaktualität Nahezu in Echtzeit oder Batch. Kann auf Daten aus verschiedenen Quellen zugreifen (z. B. Spanner Graph-Daten mit Data Boost for Spanner, Bigtable, Cloud Storage oder Amazon S3). Echtzeit, strikte Konsistenz.
Dateneingabe Data Lakes, historische Logs, archivierte Transaktionsdaten. Live-Anwendungsstreams, Nutzerinteraktionen.
Datenverschiebung Spanner zu BigQuery (Forward Extract, Transform, and Load (ETL)) mit vordefinierten Vorlagen (Batch, Streaming). BigQuery zu Spanner (Reverse ETL) mit EXPORT_DATA. Abfrageföderation (Zero-ETL) mit externem Schema. Spanner zu BigQuery (Forward Extract, Transform and Load (ETL)) mit vordefinierten Vorlagen (Batch, Streaming). BigQuery zu Spanner (Reverse ETL) mit EXPORT_DATA. Abfrageföderation (Zero-ETL) mit externem Schema.

Nächste Schritte