Spanner Graph – Übersicht

Spanner Graph kombiniert speziell entwickelte Funktionen für Graphdatenbanken mit Spanner, was branchenführende Skalierbarkeit, Verfügbarkeit und Konsistenz bietet.

Spanner Graph unterstützt eine Graphabfrageschnittstelle, die mit den ISO GQL-Standards (Graph Query Language) kompatibel ist. Spanner Graph unterstützt die Interoperabilität zwischen relationalen und Graphmodellen und kombiniert die bewährten SQL-Funktionen mit der Ausdruckskraft des Graph-Musterabgleichs aus GQL.

Sie können Tabellen mithilfe eines deklarativen Schemas ohne Datenmigration in Diagramme einbinden. So werden Diagramme in Tabellendatensätze eingefügt. Sie können die Datenmodellauswahl auch pro Abfrage verzögert verknüpfen, was die Auswahl des richtigen Tools für Ihre Workflows erleichtert.

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

Vorteile von Graphdatenbanken

Diagramme sind ein natürlicher Mechanismus zur Darstellung von Beziehungen in Daten. Anwendungsfälle für Graphdatenbanken sind beispielsweise Betrugserkennung, Empfehlungen, Community-Erkennung, Knowledge Graph, Customer 360, Datenkatalogisierung und Herkunftsnachverfolgung.

Traditionell werden diese Arten von Graphdaten als Tabellen in einer relationalen Datenbank dargestellt. Anwendungen verwenden mehrere Joins, um den Graphen zu durchlaufen. Die Ausdrucksweise der Graph-Durchlauflogik in SQL führt zu komplexen Abfragen, die schwer zu schreiben, zu verwalten und zu debuggen sind.

Mit der Grafikoberfläche in Spanner Graph können Sie Beziehungen auf intuitive Weise navigieren und Muster im Graphen erkennen. Darüber hinaus bietet Spanner Graph graphenoptimierte Speicher- und Abfrageverbesserungen, die für Online-analytische und transaktionale Graphenarbeitslasten geeignet sind. All diese Funktionen sind in den Hauptfunktionen von Spanner integriert.

Dieser Ansatz macht Spanner Graph zur idealen Lösung für selbst die geschäftskritischsten Graphanwendungen. Insbesondere kann das transparente Sharding von Spanner elastisch auf sehr große Datenmengen skaliert und ohne Nutzereingriff massiv parallel verarbeitet werden.

Anwendungsfälle

Mit Spanner Graph können Sie viele Arten von Online-Graphanwendungen erstellen, darunter:

  • Erkennung von Finanzbetrug: Komplexe Beziehungen zwischen Nutzern, Konten und Transaktionen werden analysiert, um verdächtige Muster und Anomalien zu erkennen, z. B. Geldwäsche und ungewöhnliche Verbindungen zwischen Entitäten, die mit relationalen Datenbanken nur schwer zu erkennen sind.
  • Customer 360: Kundenbeziehungen, -präferenzen und bisherige Käufe im Blick behalten Sie erhalten ein ganzheitliches Bild der einzelnen Kunden, können personalisierte Empfehlungen, zielgerichtete Marketingkampagnen und einen verbesserten Kundenservice anbieten.
  • Soziale Netzwerke: Nutzeraktivitäten und ‑interaktionen erfassen und Graphenmusterabgleich für Freundesempfehlungen und Inhaltssuche verwenden.
  • Fertigung und Lieferkettenmanagement: Verwenden Sie Diagrammmuster für eine effiziente Auswirkungensanalyse, Kostenaufschlüsselungen und Compliance-Prüfungen, indem Sie Teile, Lieferanten, Bestellungen, Verfügbarkeit und Mängel im Diagramm modellieren.
  • Gesundheitswesen: Erfassen von Patientenbeziehungen, Erkrankungen, Diagnosen und Behandlungen, um die Analyse der Patientenähnlichkeit und die Behandlungsplanung zu erleichtern.
  • Verkehr: Orte, Verbindungen, Entfernungen und Kosten im Graphen modellieren und dann mithilfe von Graphabfragen die optimale Route finden.

Hauptmerkmale

Spanner Graph ist eine einheitliche Datenbank, die Graph-, relationale, Such- und KI-Funktionen mit hoher Leistung und Skalierbarkeit kombiniert. Sie bietet folgende Vorteile:

  • Native Graph-Umgebung: Die ISO GQL-Benutzeroberfläche bietet eine vertraute, speziell für Graphen entwickelte Umgebung, die auf offenen Standards basiert.
  • GraphRAG-Workflowanwendungen erstellen: Spanner Graph lässt sich in LangChain einbinden, sodass Sie GraphRAG-Anwendungen prototypisieren können. Bei herkömmlichen RAG-Modellen wird ein LLM durch die Bereitstellung relevanten Kontexts aus Ihren Daten mithilfe der Vektorsuche fundiert. Die impliziten Beziehungen in Ihren Daten können jedoch nicht verwendet werden. Um diese Einschränkung zu überwinden, erstellt GraphRAG einen Graphen aus Ihren Daten, um komplexe Beziehungen zu erfassen. Im Vergleich zur herkömmlichen RAG-Technologie verwendet GraphRAG beim Abrufen die Graphabfragen mit der Vektorsuche, um genauere und relevantere Antworten zu generieren. Weitere Informationen finden Sie unter LLM-gestützte Anwendungen mit LangChain erstellen.
  • Vereinheitlichte relationale und graphische Daten: Die vollständige Interoperabilität zwischen GQL und SQL bricht Datensilos auf und ermöglicht es Ihnen, für jeden Anwendungsfall das optimale Tool auszuwählen, ohne zusätzlichen Aufwand für das Extrahieren, Transformieren und Laden (ETL).
  • Integrierte Suchfunktionen: Umfangreiche Vektor- und Volltextsuchfunktionen sind in den Graphen integriert, sodass Sie semantische Bedeutungen und Keywords in der Graphenanalyse verwenden können.
  • KI-gestützte Statistiken: Durch die umfassende Einbindung in Vertex AI können Sie eine Reihe von KI-Modellen direkt in Spanner Graph nutzen und so Ihre KI-Workflows beschleunigen.
  • Skalierbarkeit, Verfügbarkeit und Konsistenz: Die bewährte Skalierbarkeit, Verfügbarkeit und Konsistenz von Spanner bilden eine solide Grundlage, auf die Sie sich verlassen können.

Support anfordern

Wenn Sie nach dem Lesen des Leitfadens weitere Fragen zu Spanner Graph und seinen Funktionen haben, können Sie sich unter spanner-graph-feedback@google.com an uns wenden.

Nächste Schritte