圖資料庫 Nebula Graph 在 Boss 直聘的應用

本文首發於 Nebula Graph 官方部落格：

摘要：在本文中，BOSS 直聘大資料開發工程師主要分享一些他們內部的技術指標和選型，以及很多小夥伴感興趣的 Dgraph 對比使用經驗。

業務背景

在 Boss 直聘的安全風控技術中，需要用到大規模圖儲存和挖掘計算，之前主要基於自建的高可用   叢集來保障相關應用，而在實時行為分析方面，需要一個支援日增 10 億關係的圖資料庫，Neo4j 無法滿足應用需求。

針對這個場景，前期我們主要使用  ，踩過很多坑並和 Dgraph 團隊連線會議，在使用 Dgraph 半年後最終還是選擇了更貼合我們需求的  。具體的對比  Benchmark 已經有很多團隊在論壇分享了，這裡就不再贅述，主要分享一些技術指標和選型，以及很多小夥伴感興趣的 Dgraph 對比使用經驗。

技術指標

硬體

配置如下：

• 處理器：Intel(R) Xeon(R) Gold 6230 CPU @ 2.10GHz 80(cores)
• 記憶體：DDR4，128G
• 儲存：1.8T SSD
• 網路：萬兆

Nebula Graph 部署 5 個節點，按官方建議 3 個 metad / 5 個 graphd / 5 個 storaged

軟體

• Nebula Graph 版本：
• 作業系統：CentOS Linux release 7.3.1611 (Core)

配置

主要調整的配置和 storage 相關# 按照文件建議，配置記憶體的 3 分之 1--rocksdb_block_cache=40960# 引數配置減小記憶體使用--enable_partitioned_index_filter=true--max_edge_returned_per_vertex=100000

指標

目前安全行為圖儲存 3 個月行為，近 500 億邊，10 分鐘聚合寫入一次，日均寫入點 3,000 萬，日均寫入邊 5.5 億，插入延時 <=20 ms。

讀延時 <= 100 ms，業務側介面讀延時 <= 200 ms，部分超大請求 < 1 s

當前磁碟空間佔用 600G * 5 左右

CPU 耗用 500% 左右，記憶體使用穩定在 60 G 左右

Dgraph 使用對比

目前來說原生分散式圖資料庫國內選型主要比對 Dgraph和 Nebula Graph，前者我們使用半年，整體使用對比如下，這些都是我們踩過坑的地方。

就我們使用經驗，Dgraph 設計理念很好，但是目前還不太滿足我們業務需求，GraphQL 的原生支援還是有很大吸引力，但是儲存結構決定容易 OOM（邊儲存也分組的話會最佳化很多，官方之前計劃最佳化）；另外，採用自己編寫的 badger 和 ristretto，目前最大的問題是從官方釋放的使用案例來看，未經大規模資料場景驗證，在我們實際使用中，大資料量和高 QPS 寫入場景下容易出現崩潰和 OOM，且如果採用 SSD 儲存海量資料，Dgraph 的磁碟放大和記憶體佔用也需要最佳化。

如果沒有高 QPS 寫入，目前 Dgraph 還是值得一試，對於很多快速原型的場景，作為 GraphQL 原生圖資料庫使其非常適合做基於圖的資料中臺，這是目前的一個大趨勢，它也上線了自己的雲服務，業內標杆 TigerGraph 也在做相關探索，另外事務的完善支援也是它的優勢，這塊暫時用不到，所以沒做相關評測。實測 Dgraph 線上寫入併發不高或只是離線匯入資料使用的情況下還是很穩定的，如果想借助它的高可用和事務功能，可以嘗試下。

對比來說，Nebula Graph 很優秀，特別是工程化方面，體現在很多細節，可以看出開發團隊在實際使用和實現上做較了較好的平衡：

• 1.支援手動控制資料平衡時機，自動固然很好，但是容易導致很多問題
• 2.控制記憶體佔用（enable_partitioned_index_filter 最佳化和設定單次最大返回邊數目），都放在記憶體固然快，但有時候也需要考慮資料量和效能的平衡
• 3.多圖物理隔離，多張圖實在太有必要
• 4.nGQL 最大程度接近最常用 MySQL 語句，2 期相容 Cypher 更加完美；對比 GraphQL 固然香，但寫起復雜圖查詢真的讓人想爆炸，可能還是更加適合做資料中臺查詢語言
• 5.和圖計算框架的結合，最近釋放的 Spark GraphX 結合演算法非常有用，原先我們的圖計算都是基於 GraphX 從 Neo4j 抽取後離線計算團伙，後續打算嘗試 Nebula Graph 抽取

這裡主要從實際經驗對比分享，二者都在持續最佳化，都在快速迭代，建議使用前多看看最新版本 release說明。

建議

當前 Nebula Graph 做得很優秀，結合我們現在的需求也提一點點建議：

• 1. 更多離線演算法，包括：現有的圖神經網路這塊的支援，圖線上查詢多用在分析，真正線上應用目前很多還是圖計算離線算完後入庫供查詢
• 2. Plato 框架的合併支援，Spark GraphX 相對計算效率還是低一些，如果能整合騰訊的 Plato 框架更好
• 3.借鑑 TigerGraph 和 Dgraph， 支援固化 nGQL 查詢語句直接生成服務 REST 端點， HTTP 傳入引數即可查詢，這樣可快速生成資料查詢介面，不用後臺再單獨連線資料庫寫 SQL 提供資料服務

目前 Boss 直聘將 Nebula Graph 圖資料庫應用在安全業務，相關應用已經線上穩定執行大半年，本文分享了一點經驗，拋磚引玉，期望更多技術夥伴來挖掘Nebula這座寶庫。

Dgraph 遇到的一些問題，供有需要小夥伴參考

• 給 Dgraph 一些 
• 給 Dgraph 提交的 

參考文章

• 360 的 JanusGraph 到 Nebula Graph 資料遷移

本文系 Boss直聘·安全技術中心 文洲 撰寫

推薦閱讀