Spanner Graph – Übersicht

Spanner Graph kombiniert die Funktionen einer Graphdatenbank mit der Skalierbarkeit, Verfügbarkeit und Konsistenz von Spanner. Spanner Graph unterstützt eine ISO Graph Query Language (GQL)-kompatible Graphabfrageschnittstelle und ermöglicht die Interoperabilität zwischen relationalen und Graphmodellen.

Mit Spanner Graph können Sie Tabellen mithilfe eines deklarativen Schemas Attributgraphen zuordnen, ohne dass eine Datenmigration erforderlich ist. So lassen sich Graphen in tabellarische Datasets einfügen. Sie können auch Datenmodelloptionen pro Abfrage spät binden, was Ihnen hilft, das richtige Tool für Ihre Workflows auszuwählen.

Informationen zu den ersten Schritten mit Spanner Graph finden Sie unter Cloud Spanner Graph einrichten und abfragen und im Spanner Graph-Codelab.

Vorteile von Spanner Graph-Datenbanken

Graphen sind ein natürlicher Mechanismus zur Darstellung von Beziehungen in Daten. Beispiele für Anwendungsfälle für Graphdatenbanken sind Betrugserkennung, Empfehlungen, Cybersicherheit, Community-Erkennung, Wissensgraphen, Customer 360, Datenkatalogisierung und Lineage-Tracking.

Normalerweise werden diese Arten von Graphen in Anwendungen als Tabellen in einer relationalen Datenbank dargestellt. Dabei werden mehrere Joins verwendet, um den Graphen zu durchlaufen. Wenn Sie die Logik für das Durchlaufen von Grafen in SQL ausdrücken, entstehen komplexe Abfragen, die schwer zu schreiben, zu warten und zu debuggen sind.

Mit der Grafikschnittstelle in Spanner Graph können Sie Beziehungen auf intuitive Weise durchsuchen und Muster im Graphen erkennen. Außerdem bietet Spanner Graph für Graphen optimierte Speicher- und Abfrageverbesserungen, die für analytische und transaktionale Online-Graphenarbeitslasten geeignet sind. Für komplexere Analyseanforderungen bietet Spanner Graph integrierte leistungsstarke Diagrammalgorithmen.

Dieser Ansatz macht Spanner Graph zur idealen Lösung für geschäftskritische Grafanwendungen mit der Möglichkeit zur detaillierten Analyse. Insbesondere lässt sich das transparente Sharding von Spanner elastisch skalieren, was eine massive Parallelverarbeitung ohne Nutzereingriff ermöglicht.

Anwendungsfälle für Spanner Graph

Mit Spanner Graph lassen sich viele Arten von Online-Graphanwendungen erstellen, darunter:

  • Finanzbetrug erkennen: Analysieren Sie komplexe Beziehungen zwischen Nutzern, Konten und Transaktionen, um verdächtige Muster und Anomalien wie Geldwäsche und ungewöhnliche Verbindungen zwischen Entitäten zu erkennen, die mit relationalen Datenbanken nur schwer zu erkennen sind.

  • Kundenbeziehungen im Blick behalten: Kundenbeziehungen, ‑präferenzen und ‑einkaufsverläufe im Blick behalten. Sie erhalten ein ganzheitliches Bild von jedem Kunden und können personalisierte Empfehlungen, gezielte Marketingkampagnen und einen besseren Kundenservice anbieten.

  • Soziale Netzwerke erfassen: Nutzeraktivitäten und ‑interaktionen erfassen und Graph Pattern Matching für Freundesempfehlungen und die Suche nach Inhalten verwenden.

  • Fertigung und Lieferketten verwalten: Modellieren Sie Teile, Lieferanten, Bestellungen, Verfügbarkeit und Mängel im Diagramm, um Auswirkungen zu analysieren, Kosten zu konsolidieren und die Einhaltung von Vorschriften zu prüfen.

  • Gesundheitsdaten analysieren: Erfassen Sie Patientenbeziehungen, Erkrankungen, Diagnosen und Behandlungen, um die Analyse der Ähnlichkeit von Patienten und die Behandlungsplanung zu erleichtern.

  • Lieferketten verwalten: Anhand eines Versandroutenplans Routensegmente bewerten, um Verstöße gegen Segmentregeln zu erkennen.

Hauptmerkmale

Spanner Graph ist eine Multi-Modell-Datenbank, die Graph-, relationale, Such- und KI-Funktionen integriert. Es bietet hohe Leistung und Skalierbarkeit und bietet Folgendes:

  • Native Grafikumgebung: Die ISO GQL-Schnittstelle bietet eine vertraute, speziell entwickelte Grafikumgebung, die auf offenen Standards basiert.

  • GraphRAG-Workflowanwendungen erstellen: Spanner Graph lässt sich in LangChain einbinden, um Sie beim Erstellen von GraphRAG-Anwendungen zu unterstützen. Bei der herkömmlichen Retrieval-Augmented Generation (RAG) wird die Vektorsuche verwendet, um einem Large Language Model (LLM) Kontext bereitzustellen. Dabei können jedoch nicht die impliziten Beziehungen in Ihren Daten genutzt werden. GraphRAG überwindet diese Einschränkung, indem ein Graph aus Ihren Daten erstellt wird, um diese komplexen Beziehungen zu erfassen. Anschließend wird die Graphensuche (für beziehungsbasierten Kontext) mit der Vektorsuche (für semantische Ähnlichkeit) kombiniert, um genauere, relevantere und vollständigere Antworten zu generieren, als wenn nur eine der beiden Methoden verwendet würde. Weitere Informationen finden Sie unter LLM-gestützte Anwendungen mit LangChain erstellen. Informationen dazu, wie Sie Spanner Graph mit der Gemini Enterprise Agent Platform verwenden können, um die Infrastruktur für eine GraphRAG-fähige generative KI-Anwendung zu erstellen, finden Sie unter GraphRAG-Infrastruktur für generative KI mit der Agent Platform und Spanner Graph.

  • Einheitliche relationale und Graphdaten: Die vollständige Interoperabilität zwischen GQL und SQL macht Datensilos überflüssig. So können Sie für jeden Anwendungsfall das optimale Tool auswählen, ohne dass ein zusätzlicher Aufwand für das Extrahieren, Transformieren und Laden (ETL) entsteht.

  • Integrierte Suchfunktionen: Umfangreiche Vektor- und Volltextsuchfunktionen sind in Graph integriert. So können Sie semantische Bedeutung und Keywords in der Graphanalyse verwenden.

  • KI-gestützte Insights: Die enge Integration mit der Agent Platform ermöglicht den Zugriff auf eine Suite von KI-Modellen direkt in Spanner Graph, was Ihre KI-Workflows beschleunigt.

  • Vollständig verwaltete, leistungsstarke Diagrammalgorithmen: Eine Reihe von vollständig verwalteten Diagrammalgorithmen für Zentralität, Clustering, Ähnlichkeit und Pfadsuche. Diese Algorithmen nutzen dedizierte On-Demand-Rechenleistung, um auf Dutzende von Milliarden von Kanten zu skalieren, ohne dass sich dies auf transaktionale Arbeitslasten auswirkt. So erhalten Sie neue Erkenntnisse ohne zusätzliche Komplexität.

  • Skalierbarkeit, Verfügbarkeit und Konsistenz: Die etablierte Skalierbarkeit, Verfügbarkeit und Konsistenz von Spanner bilden eine solide Grundlage.

Nächste Schritte