သင့်လျော်သောလမ်းကြောင်းများရှာဖွေခြင်းပြဿနာကိုဖြေရှင်းရန်အတွက် JanusGraph ဂရပ် DBMS ၏အသုံးချမှုကိုစမ်းသပ်သည့်စမ်းသပ်မှုတစ်ခု

အားလုံးမင်္ဂလာပါ။ အော့ဖ်လိုင်းအသွားအလာ ခွဲခြမ်းစိတ်ဖြာခြင်းအတွက် ထုတ်ကုန်တစ်ခုကို ကျွန်ုပ်တို့ ဖန်တီးနေပါသည်။ ပရောဂျက်တွင် ဒေသအနှံ့ ခရီးသွားလမ်းကြောင်းများကို စာရင်းအင်းခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် သက်ဆိုင်သည့် တာဝန်တစ်ခု ရှိသည်။

ဤလုပ်ငန်းဆောင်တာ၏ တစ်စိတ်တစ်ပိုင်းအနေဖြင့်၊ အသုံးပြုသူများသည် အောက်ပါအမျိုးအစား၏ စနစ်မေးခွန်းများကို မေးမြန်းနိုင်သည်-

• ဧရိယာ "A" မှ ဧရိယာ "B" သို့ ဧည့်သည် မည်မျှ ဖြတ်သန်းခဲ့သည်၊
• ဧရိယာ "A" မှ ဧရိယာ "B" သို့ ဧရိယာ "C" မှတဆင့် ဧရိယာ "D" သို့ ဧည့်သည်မည်မျှ ဖြတ်သန်းခဲ့သည်၊
• ဧရိယာ “A” မှ ဧရိယာ “B” သို့ ဧည့်သည်အမျိုးအစားတစ်ခုအတွက် အချိန်မည်မျှကြာသည်။

နှင့် အလားတူ ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ မေးခွန်းများစွာ။

ဧည့်သည်များ၏ ရွေ့လျားမှုသည် နေရာများအနှံ့ ညွှန်ပြထားသော ဂရပ်ဖစ်တစ်ခုဖြစ်သည်။ အင်တာနက်ကိုဖတ်ပြီးနောက်၊ ဂရပ်ဖစ် DBMSs များကို ခွဲခြမ်းစိတ်ဖြာမှုအစီရင်ခံစာများအတွက်လည်း အသုံးပြုကြောင်း တွေ့ရှိခဲ့သည်။ ဂရပ်ဖစ် DBMSs သည် ထိုသို့သောမေးခွန်းများကို မည်သို့ရင်ဆိုင်ရမည်ကို ကျွန်ုပ်မြင်လိုခဲ့သည် (TL; DR; ညံ့ဖျင်းသည်)။

DBMS ကို သုံးဖို့ ရွေးချယ်ခဲ့တယ်။ JanusGraph(ကျနော့်အမြင်အရ) ၎င်းကို လျောက်ပတ်သော လည်ပတ်မှုဆိုင်ရာ လက္ခဏာများဖြင့် ပေးသင့်သည့် ရင့်ကျက်သော နည်းပညာအစုအဝေးပေါ်တွင် မှီခိုနေရသော ဂရပ် open-source DBMS ၏ ထူးချွန်သော ကိုယ်စားလှယ်အဖြစ်၊

• BerkeleyDB သိုလှောင်မှုနောက်ကွယ်တွင်၊ Apache Cassandra၊ Scylla၊
• ရှုပ်ထွေးသောအညွှန်းများကို Lucene၊ Elasticsearch၊ Solr တွင် သိမ်းဆည်းနိုင်သည်။

JanusGraph ၏စာရေးဆရာများက၎င်းသည် OLTP နှင့် OLAP နှစ်မျိုးလုံးအတွက်သင့်လျော်သည်ဟုရေးသည်။

BerkeleyDB၊ Apache Cassandra၊ Scylla နှင့် ES တို့နှင့် အလုပ်လုပ်ခဲ့ပြီး၊ ဤထုတ်ကုန်များကို ကျွန်ုပ်တို့၏စနစ်များတွင် အသုံးပြုလေ့ရှိသောကြောင့် ဤဂရပ်ကို DBMS စမ်းသပ်ခြင်းနှင့်ပတ်သက်၍ အကောင်းမြင်မိပါသည်။ RocksDB ထက် BerkeleyDB ကို ရွေးရတာ ထူးဆန်းတာတွေ့ပေမယ့် ဒါက ငွေပေးငွေယူ လိုအပ်ချက်တွေကြောင့် ဖြစ်နိုင်တယ်။ မည်သို့ပင်ဆိုစေကာမူ အတိုင်းအတာဖြင့် ထုတ်ကုန်အသုံးပြုမှုအတွက်၊ Cassandra သို့မဟုတ် Scylla တွင် နောက်ခံဖိုင်ကို အသုံးပြုရန် အကြံပြုထားသည်။

အစုလိုက်ဖွဲ့ခြင်းသည် ထုတ်ကုန်သည် open source မဟုတ်သည့်အတွက်ကြောင့် Neo4j ကို ကျွန်ုပ်မစဉ်းစားခဲ့ပါ။

ဂရပ်ဖစ် DBMSs ကပြောသည်- "ဂရပ်ဖစ်ပုံသဏ္ဌာန်တူပါက၊ ဂရပ်ဖစ်ကဲ့သို့ဆက်ဆံပါ။" - အလှအပ!

ပထမ၊ ကျွန်ုပ်သည် ဂရပ်ဖစ် DBMSs ၏ canons များနှင့်အညီ အတိအကျပြုလုပ်ထားသည့် ဂရပ်တစ်ခုကို ရေးဆွဲခဲ့သည်-

အနှစ်သာရရှိပါတယ်။ Zoneနယ်မြေတာဝန်ခံ။ အကယ်လို့ ZoneStep ဒါကိုပိုင်တယ်။ Zoneပြီးတော့ သူက အဲဒါကို ရည်ညွှန်းတယ်။ အနှစ်သာရပေါ်မှာ Area, ZoneTrack, Person ဂရုမစိုက်ပါနှင့်၊ ၎င်းတို့သည် ဒိုမိန်းနှင့်သက်ဆိုင်ပြီး စမ်းသပ်မှု၏တစ်စိတ်တစ်ပိုင်းအဖြစ် မယူဆပါ။ စုစုပေါင်း၊ ထိုသို့သောဂရပ်ဖွဲ့စည်းပုံအတွက် ကွင်းဆက်ရှာဖွေမှုတစ်ခုသည် အောက်ပါအတိုင်းဖြစ်မည်-

g.V().hasLabel('Zone').has('id',0).in_()
       .repeat(__.out()).until(__.out().hasLabel('Zone').has('id',19)).count().next()

ရုရှားဘာသာဖြင့် ဟူသည် ဤကဲ့သို့သော အရာဖြစ်သည်- ID=0 ပါသော ဇုန်တစ်ခုကို ရှာပါ၊ ၎င်းသို့သွားသည့် အစွန်းများ (ZoneStep) မှ ဒေါင်လိုက်များအားလုံးကို ယူပါ၊ ဇုန်သို့ အစွန်းတစ်ခုရှိသည့် ဇုန်အဆင့်များကို သင်မတွေ့မချင်း ပြန်မသွားရန် ရပ်တန့်ပါ။ ID=19၊ ထိုကဲ့သို့သော ကြိုးများကို ရေတွက်ပါ။

ဂရပ်များပေါ်တွင် ရှာဖွေခြင်း၏ ရှုပ်ထွေးမှုများအားလုံးကို ကျွန်ုပ်မသိဟန်ဆောင်သော်လည်း ဤမေးခွန်းကို ဤစာအုပ်ပေါ်တွင် အခြေခံ၍ ထုတ်ပေးခဲ့သည် (https://kelvinlawrence.net/book/Gremlin-Graph-Guide.html).

BerkeleyDB နောက်ခံကိုအသုံးပြု၍ အညွှန်းများဖန်တီးထားသော JanusGraph ဂရပ်ဖစ်ဒေတာဘေ့စ်သို့ အရှည် 50 မှ 3 မှတ်အထိရှိသော အပုဒ်ရေ 20 ကို တင်ပေးလိုက်ပါသည်။ ခေါင်းဆောင်မှု.

Python ဒေါင်းလုဒ် script-

from random import random
from time import time

from init import g, graph

if __name__ == '__main__':

    points = []
    max_zones = 19
    zcache = dict()
    for i in range(0, max_zones + 1):
        zcache[i] = g.addV('Zone').property('id', i).next()

    startZ = zcache[0]
    endZ = zcache[max_zones]

    for i in range(0, 10000):

        if not i % 100:
            print(i)

        start = g.addV('ZoneStep').property('time', int(time())).next()
        g.V(start).addE('belongs').to(startZ).iterate()

        while True:
            pt = g.addV('ZoneStep').property('time', int(time())).next()
            end_chain = random()
            if end_chain < 0.3:
                g.V(pt).addE('belongs').to(endZ).iterate()
                g.V(start).addE('goes').to(pt).iterate()
                break
            else:
                zone_id = int(random() * max_zones)
                g.V(pt).addE('belongs').to(zcache[zone_id]).iterate()
                g.V(start).addE('goes').to(pt).iterate()

            start = pt

    count = g.V().count().next()
    print(count)

SSD တွင် 4 cores နှင့် 16 GB RAM ပါသော VM ကို အသုံးပြုထားသည်။ JanusGraph သည် ဤအမိန့်ကို အသုံးပြု၍ အသုံးပြုထားသည်။

docker run --name janusgraph -p8182:8182 janusgraph/janusgraph:latest

ဤကိစ္စတွင်၊ အတိအကျကိုက်ညီမှုရှာဖွေမှုများအတွက်အသုံးပြုသည့်ဒေတာနှင့်အညွှန်းများကို BerkeleyDB တွင်သိမ်းဆည်းထားသည်။ စောစောကပေးခဲ့တဲ့ တောင်းဆိုချက်ကို အကောင်အထည်ဖော်ပြီးရင် စက္ကန့်ဆယ်ဂဏန်းနဲ့ ညီမျှတဲ့ အချိန်ကို ရခဲ့ပါတယ်။

အထက်ဖော်ပြပါ script 4 ခုကို အပြိုင်လုပ်ဆောင်ခြင်းဖြင့် Docker မှတ်တမ်းများတွင် ပျော်ရွှင်စရာကောင်းသော Java stacktraces များနှင့်အတူ DBMS ကို ရွှေဖရုံသီးအဖြစ်သို့ ပြောင်းလဲနိုင်ခဲ့သည်။

စဉ်းစားပြီးနောက်၊ ကျွန်ုပ်သည် ဂရပ်ဇယားကို အောက်ပါအတိုင်းရိုးရှင်းအောင်ပြုလုပ်ရန် ဆုံးဖြတ်ခဲ့သည်-

အစွန်းများဖြင့် ရှာဖွေခြင်းထက် entity attribute များဖြင့် ရှာဖွေခြင်းထက် ပိုမြန်မည်ဟု ဆုံးဖြတ်ခြင်း။ ထို့ကြောင့်၊ ကျွန်ုပ်၏ တောင်းဆိုချက်သည် အောက်ပါအတိုင်း ဖြစ်သွားသည်-

g.V().hasLabel('ZoneStep').has('id',0).repeat(__.out().simplePath()).until(__.hasLabel('ZoneStep').has('id',19)).count().next()

ရုရှဘာသာဖြင့် ဟူသည် ဤကဲ့သို့သော အရာဖြစ်သည်- ID=0 ဖြင့် ZoneStep ကိုရှာပါ၊ ZoneStep ကို ID=19 ဖြင့်ရှာမတွေ့မချင်း နောက်ပြန်မဆုတ်ဘဲ ရပ်တန့်ပါ၊ ထိုကဲ့သို့သော ကွင်းဆက်အရေအတွက်ကို ရေတွက်ပါ။

မလိုအပ်သော ချိတ်ဆက်မှုများ မဖန်တီးနိုင်စေရန်၊ ရည်ညွှန်းချက်များတွင် မိမိကိုယ်ကို ကန့်သတ်ထားခြင်း မရှိစေရရန်အတွက် အထက်တွင် ဖော်ပြထားသော တင်ခြင်း script ကို ရိုးရှင်းအောင် ပြုလုပ်ထားပါသည်။

AdHoc တောင်းဆိုမှုများ၏ ရည်ရွယ်ချက်များအတွက် လုံးဝ မသင့်လျော်သောကြောင့် တောင်းဆိုချက်သည် ပြီးမြောက်ရန် စက္ကန့်များစွာ အချိန်ယူရသေးသည်။

ငါ JanusGraph ကို အမြန်ဆုံး Cassandra အကောင်အထည်ဖော်မှုအဖြစ် Scylla ကိုအသုံးပြု၍ အသုံးပြုရန် ကြိုးစားခဲ့သော်လည်း၊ ၎င်းသည် သိသာထင်ရှားသော စွမ်းဆောင်ရည်ပြောင်းလဲမှုများကို မဖြစ်ပေါ်စေခဲ့ပါ။

ထို့ကြောင့် "ဂရပ်ပုံပုံသဏ္ဍာန်" ဖြစ်နေလင့်ကစား ဂရပ်ဖစ် DBMS သည် ၎င်းကို လျင်မြန်စွာ လုပ်ဆောင်ရန် မရနိုင်ပါ။ ငါမသိသောအရာတစ်ခုရှိသည်နှင့် JanusGraph သည်ဤရှာဖွေမှုကိုစက္ကန့်အနည်းငယ်အတွင်းလုပ်ဆောင်ရန်ပြုလုပ်နိုင်သည်ဟုအပြည့်အဝယူဆသော်လည်း၊ ငါမလုပ်ဆောင်နိုင်ခဲ့ပါ။

ပြဿနာကို ဖြေရှင်းရန် လိုအပ်နေသေးသောကြောင့်၊ ကျက်သရေရှိရှိ အကောင်းမြင်ဝါဒကို မလှုံ့ဆော်ဘဲ၊ လက်တွေ့တွင် လုံးဝလုပ်ဆောင်နိုင်သော ရွေးချယ်မှုတစ်ခု ဖြစ်နိုင်သည်။

ကျွန်ုပ်တို့၏ပရောဂျက်သည် Apache ClickHouse ကိုအသုံးပြုထားပြီးဖြစ်သောကြောင့် ဤခွဲခြမ်းစိတ်ဖြာမှု DBMS တွင် ကျွန်ုပ်၏သုတေသနကို စမ်းသပ်ရန် ဆုံးဖြတ်ခဲ့သည်။

ရိုးရှင်းသော ချက်ပြုတ်နည်းကို အသုံးပြု၍ ClickHouse ကို အသုံးချသည်-

sudo docker run -d --name clickhouse_1 
     --ulimit nofile=262144:262144 
     -v /opt/clickhouse/log:/var/log/clickhouse-server 
     -v /opt/clickhouse/data:/var/lib/clickhouse 
     yandex/clickhouse-server

ဒေတာဘေ့စ်တစ်ခုနှင့် ဇယားတစ်ခုကို ဤကဲ့သို့ ဖန်တီးခဲ့သည်-

CREATE TABLE 
db.steps (`area` Int64, `when` DateTime64(1, 'Europe/Moscow') DEFAULT now64(), `zone` Int64, `person` Int64) 
ENGINE = MergeTree() ORDER BY (area, zone, person) SETTINGS index_granularity = 8192

အောက်ဖော်ပြပါ script ကိုအသုံးပြု၍ ၎င်းကို ဒေတာများဖြင့် ဖြည့်သွင်းခဲ့ပါသည်။

from time import time

from clickhouse_driver import Client
from random import random

client = Client('vm-12c2c34c-df68-4a98-b1e5-a4d1cef1acff.domain',
                database='db',
                password='secret')

max = 20

for r in range(0, 100000):

    if r % 1000 == 0:
        print("CNT: {}, TS: {}".format(r, time()))

    data = [{
            'area': 0,
            'zone': 0,
            'person': r
        }]

    while True:
        if random() < 0.3:
            break

        data.append({
                'area': 0,
                'zone': int(random() * (max - 2)) + 1,
                'person': r
            })

    data.append({
            'area': 0,
            'zone': max - 1,
            'person': r
        })

    client.execute(
        'INSERT INTO steps (area, zone, person) VALUES',
        data
    )

ထည့်သွင်းမှုများသည် အစုလိုက်အပြုံလိုက် ရောက်ရှိလာသောကြောင့်၊ ဖြည့်သွင်းမှုသည် JanusGraph အတွက်ထက် များစွာ ပိုမြန်ပါသည်။

JOIN ကို အသုံးပြု၍ မေးခွန်းနှစ်ခုကို တည်ဆောက်ခဲ့သည်။ အမှတ် A မှ အမှတ် B သို့ ရွှေ့ရန်-

SELECT s1.person AS person,
       s1.zone,
       s1.when,
       s2.zone,
       s2.when
FROM
  (SELECT *
   FROM steps
   WHERE (area = 0)
     AND (zone = 0)) AS s1 ANY INNER JOIN
  (SELECT *
   FROM steps AS s2
   WHERE (area = 0)
     AND (zone = 19)) AS s2 USING person
WHERE s1.when <= s2.when

3 မှတ်ဖြတ်ရန်

SELECT s3.person,
       s1z,
       s1w,
       s2z,
       s2w,
       s3.zone,
       s3.when
FROM
  (SELECT s1.person AS person,
          s1.zone AS s1z,
          s1.when AS s1w,
          s2.zone AS s2z,
          s2.when AS s2w
   FROM
     (SELECT *
      FROM steps
      WHERE (area = 0)
        AND (zone = 0)) AS s1 ANY INNER JOIN
     (SELECT *
      FROM steps AS s2
      WHERE (area = 0)
        AND (zone = 3)) AS s2 USING person
   WHERE s1.when <= s2.when) p ANY INNER JOIN
  (SELECT *
   FROM steps
   WHERE (area = 0)
     AND (zone = 19)) AS s3 USING person
WHERE p.s2w <= s3.when

တောင်းဆိုချက်များသည် အမှန်တကယ်ပင် ကြောက်စရာကောင်းသည်; အမှန်တကယ်အသုံးပြုရန်အတွက်၊ သင်သည် software generator ကြိုးကြိုးကိုဖန်တီးရန် လိုအပ်ပါသည်။ သို့သော် သူတို့သည် အလုပ်လုပ်ကြပြီး လျင်မြန်စွာ အလုပ်လုပ်ကြသည်။ ပထမ နှင့် ဒုတိယ တောင်းဆိုချက် နှစ်ခုစလုံးသည် 0.1 စက္ကန့်ထက်နည်း၍ ပြီးမြောက်ပါသည်။ ဤသည်မှာ အချက် 3 ခုကိုဖြတ်သန်းသွားသော count(*) အတွက် query execution time ၏ ဥပမာတစ်ခုဖြစ်သည်။

SELECT count(*)
FROM 
(
    SELECT 
        s1.person AS person, 
        s1.zone AS s1z, 
        s1.when AS s1w, 
        s2.zone AS s2z, 
        s2.when AS s2w
    FROM 
    (
        SELECT *
        FROM steps
        WHERE (area = 0) AND (zone = 0)
    ) AS s1
    ANY INNER JOIN 
    (
        SELECT *
        FROM steps AS s2
        WHERE (area = 0) AND (zone = 3)
    ) AS s2 USING (person)
    WHERE s1.when <= s2.when
) AS p
ANY INNER JOIN 
(
    SELECT *
    FROM steps
    WHERE (area = 0) AND (zone = 19)
) AS s3 USING (person)
WHERE p.s2w <= s3.when

┌─count()─┐
│   11592 │
└─────────┘

1 rows in set. Elapsed: 0.068 sec. Processed 250.03 thousand rows, 8.00 MB (3.69 million rows/s., 117.98 MB/s.)

IOPS အကြောင်း မှတ်ချက်. ဒေတာကို ဖြည့်သွင်းသည့်အခါ JanusGraph သည် IOPS (ဒေတာလူဦးရေ အပိုင်းလေးခုအတွက် 1000-1300) မြင့်မားပြီး IOWAIT သည် အလွန်မြင့်မားသည်။ တစ်ချိန်တည်းတွင်၊ ClickHouse သည် disk subsystem တွင်အနည်းဆုံးဝန်ကိုထုတ်ပေးသည်။

ကောက်ချက်

ဤတောင်းဆိုမှုအမျိုးအစားကို ဝန်ဆောင်မှုပေးရန် ClickHouse ကို အသုံးပြုရန် ဆုံးဖြတ်ခဲ့သည်။ ClickHouse ထဲသို့မထည့်မီ Apache Flink ကိုအသုံးပြု၍ အစီအစဉ်စီးကြောင်းကိုကြိုတင်လုပ်ဆောင်ခြင်းဖြင့် ရုပ်လုံးပေါ်သောအမြင်များနှင့် အပြိုင်ပြုလုပ်ခြင်းများကိုအသုံးပြု၍ မေးခွန်းများကို အမြဲတမ်းပိုကောင်းအောင်ပြုလုပ်နိုင်ပါသည်။

စွမ်းဆောင်ရည်သည် အလွန်ကောင်းမွန်သောကြောင့် pivoting tables ကို ပရိုဂရမ်ကျကျ စဉ်းစားရန်ပင် မလိုအပ်ပေ။ ယခင်က၊ ကျွန်ုပ်တို့သည် Apache Parquet သို့ အပ်လုဒ်တင်ခြင်းဖြင့် Vertica မှ ပြန်လည်ရယူသည့် ဒေတာ pivots များကို လုပ်ဆောင်ခဲ့ရသည်။

ကံမကောင်းစွာဖြင့်၊ ဂရပ် DBMS ကိုအသုံးပြုရန် နောက်ထပ်ကြိုးစားမှု မအောင်မြင်ခဲ့ပါ။ ထုတ်ကုန်ကို အရှိန်မြှင့်ရန် လွယ်ကူစေသည့် ဖော်ရွေသော ဂေဟစနစ်တစ်ခုရှိရန် JanusGraph မတွေ့ပါ။ တစ်ချိန်တည်းမှာပင်၊ ဆာဗာကို configure လုပ်ရန်၊ Java နှင့် မရင်းနှီးသောသူများ သွေးမျက်ရည်ကျစေမည့် ရိုးရာ Java နည်းလမ်းကို အသုံးပြုထားသည်။

host: 0.0.0.0
port: 8182
threadPoolWorker: 1
gremlinPool: 8
scriptEvaluationTimeout: 30000
channelizer: org.janusgraph.channelizers.JanusGraphWsAndHttpChannelizer

graphManager: org.janusgraph.graphdb.management.JanusGraphManager
graphs: {
  ConfigurationManagementGraph: conf/janusgraph-cql-configurationgraph.properties,
  airlines: conf/airlines.properties
}

scriptEngines: {
  gremlin-groovy: {
    plugins: { org.janusgraph.graphdb.tinkerpop.plugin.JanusGraphGremlinPlugin: {},
               org.apache.tinkerpop.gremlin.server.jsr223.GremlinServerGremlinPlugin: {},
               org.apache.tinkerpop.gremlin.tinkergraph.jsr223.TinkerGraphGremlinPlugin: {},
               org.apache.tinkerpop.gremlin.jsr223.ImportGremlinPlugin: {classImports: [java.lang.Math], methodImports: [java.lang.Math#*]},
               org.apache.tinkerpop.gremlin.jsr223.ScriptFileGremlinPlugin: {files: [scripts/airline-sample.groovy]}}}}

serializers:
# GraphBinary is here to replace Gryo and Graphson
  - { className: org.apache.tinkerpop.gremlin.driver.ser.GraphBinaryMessageSerializerV1, config: { ioRegistries: [org.janusgraph.graphdb.tinkerpop.JanusGraphIoRegistry] }}
  - { className: org.apache.tinkerpop.gremlin.driver.ser.GraphBinaryMessageSerializerV1, config: { serializeResultToString: true }}
  # Gryo and Graphson, latest versions
  - { className: org.apache.tinkerpop.gremlin.driver.ser.GryoMessageSerializerV3d0, config: { ioRegistries: [org.janusgraph.graphdb.tinkerpop.JanusGraphIoRegistry] }}
  - { className: org.apache.tinkerpop.gremlin.driver.ser.GryoMessageSerializerV3d0, config: { serializeResultToString: true }}
  - { className: org.apache.tinkerpop.gremlin.driver.ser.GraphSONMessageSerializerV3d0, config: { ioRegistries: [org.janusgraph.graphdb.tinkerpop.JanusGraphIoRegistry] }}
  # Older serialization versions for backwards compatibility:
  - { className: org.apache.tinkerpop.gremlin.driver.ser.GryoMessageSerializerV1d0, config: { ioRegistries: [org.janusgraph.graphdb.tinkerpop.JanusGraphIoRegistry] }}
  - { className: org.apache.tinkerpop.gremlin.driver.ser.GryoMessageSerializerV1d0, config: { serializeResultToString: true }}
  - { className: org.apache.tinkerpop.gremlin.driver.ser.GryoLiteMessageSerializerV1d0, config: {ioRegistries: [org.janusgraph.graphdb.tinkerpop.JanusGraphIoRegistry] }}
  - { className: org.apache.tinkerpop.gremlin.driver.ser.GraphSONMessageSerializerGremlinV2d0, config: { ioRegistries: [org.janusgraph.graphdb.tinkerpop.JanusGraphIoRegistry] }}
  - { className: org.apache.tinkerpop.gremlin.driver.ser.GraphSONMessageSerializerGremlinV1d0, config: { ioRegistries: [org.janusgraph.graphdb.tinkerpop.JanusGraphIoRegistryV1d0] }}
  - { className: org.apache.tinkerpop.gremlin.driver.ser.GraphSONMessageSerializerV1d0, config: { ioRegistries: [org.janusgraph.graphdb.tinkerpop.JanusGraphIoRegistryV1d0] }}

processors:
  - { className: org.apache.tinkerpop.gremlin.server.op.session.SessionOpProcessor, config: { sessionTimeout: 28800000 }}
  - { className: org.apache.tinkerpop.gremlin.server.op.traversal.TraversalOpProcessor, config: { cacheExpirationTime: 600000, cacheMaxSize: 1000 }}

metrics: {
  consoleReporter: {enabled: false, interval: 180000},
  csvReporter: {enabled: false, interval: 180000, fileName: /tmp/gremlin-server-metrics.csv},
  jmxReporter: {enabled: false},
  slf4jReporter: {enabled: true, interval: 180000},
  gangliaReporter: {enabled: false, interval: 180000, addressingMode: MULTICAST},
  graphiteReporter: {enabled: false, interval: 180000}}
threadPoolBoss: 1
maxInitialLineLength: 4096
maxHeaderSize: 8192
maxChunkSize: 8192
maxContentLength: 65536
maxAccumulationBufferComponents: 1024
resultIterationBatchSize: 64
writeBufferHighWaterMark: 32768
writeBufferHighWaterMark: 65536
ssl: {
  enabled: false}

JanusGraph ၏ BerkeleyDB ဗားရှင်းကို မတော်တဆ "သွင်း" နိုင်ခဲ့သည်။

အညွှန်းများကို စီမံခန့်ခွဲရာတွင် သင်သည် Groovy တွင် အလွန်ထူးဆန်းသော shamanism အချို့ကို လုပ်ဆောင်ရန် လိုအပ်သောကြောင့် စာရွက်စာတမ်းများသည် အညွှန်းကိန်းများနှင့် ပတ်သက်၍ အတော်လေး လွဲနေပါသည်။ ဥပမာအားဖြင့်၊ အညွှန်းတစ်ခုဖန်တီးခြင်းကို Gremlin ကွန်ဆိုးလ်တွင် ကုဒ်ရေးခြင်းဖြင့် လုပ်ဆောင်ရပါမည် (ထိုနည်းလမ်းဖြင့်၊ ကွက်လပ်မှ အလုပ်မလုပ်ပါ)။ တရားဝင် JanusGraph စာရွက်စာတမ်းမှ

graph.tx().rollback() //Never create new indexes while a transaction is active
mgmt = graph.openManagement()
name = mgmt.getPropertyKey('name')
age = mgmt.getPropertyKey('age')
mgmt.buildIndex('byNameComposite', Vertex.class).addKey(name).buildCompositeIndex()
mgmt.buildIndex('byNameAndAgeComposite', Vertex.class).addKey(name).addKey(age).buildCompositeIndex()
mgmt.commit()

//Wait for the index to become available
ManagementSystem.awaitGraphIndexStatus(graph, 'byNameComposite').call()
ManagementSystem.awaitGraphIndexStatus(graph, 'byNameAndAgeComposite').call()
//Reindex the existing data
mgmt = graph.openManagement()
mgmt.updateIndex(mgmt.getGraphIndex("byNameComposite"), SchemaAction.REINDEX).get()
mgmt.updateIndex(mgmt.getGraphIndex("byNameAndAgeComposite"), SchemaAction.REINDEX).get()
mgmt.commit()

afterword

တစ်နည်းအားဖြင့် အထက်ဖော်ပြပါ စမ်းသပ်ချက်သည် နွေးထွေးမှုနှင့် ပျော့ပျောင်းမှုတို့ကြား နှိုင်းယှဉ်ချက်ဖြစ်သည်။ ၎င်းကို သင်စဉ်းစားပါက၊ ဂရပ် DBMS သည် တူညီသောရလဒ်များရရှိရန် အခြားလုပ်ဆောင်မှုများကို လုပ်ဆောင်သည်။ သို့သော်လည်း စမ်းသပ်မှု၏ တစ်စိတ်တစ်ပိုင်းအနေဖြင့်၊ ကျွန်ုပ်သည် အောက်ပါကဲ့သို့သော တောင်းဆိုချက်တစ်ခုဖြင့် စမ်းသပ်မှုတစ်ခုကိုလည်း ပြုလုပ်ခဲ့ပါသည်။

g.V().hasLabel('ZoneStep').has('id',0)
    .repeat(__.out().simplePath()).until(__.hasLabel('ZoneStep').has('id',1)).count().next()

လမ်းလျှောက်အကွာအဝေးကို ရောင်ပြန်ဟပ်သည်။ သို့သော်၊ ထိုကဲ့သို့သောဒေတာတွင်ပင်၊ ဂရပ် DBMS သည် စက္ကန့်အနည်းငယ်ကျော်လွန်သွားသောရလဒ်များကိုပြသခဲ့သည်... ဤသည်မှာ လမ်းကြောင်းကဲ့သို့သောလမ်းကြောင်းများရှိနေခြင်းကြောင့်ဖြစ်သည်။ 0 -> X -> Y ... -> 1ဂရပ်ဖစ်အင်ဂျင်ကိုလည်း စစ်ဆေးပေးသော၊

ကဲ့သို့သောမေးမြန်းမှုအတွက်ပင်

g.V().hasLabel('ZoneStep').has('id',0).out().has('id',1)).count().next()

တစ်စက္ကန့်ထက်နည်းသော လုပ်ဆောင်ချိန်ဖြင့် ဖြစ်ထွန်းသော တုံ့ပြန်မှုကို ကျွန်ုပ်မရနိုင်ပါ။

ဇာတ်လမ်း၏ကိုယ်ကျင့်တရားမှာ လှပသောစိတ်ကူးနှင့် စံပြပုံစံတစ်ခုသည် ClickHouse ၏နမူနာကိုအသုံးပြု၍ ပိုမိုမြင့်မားသောထိရောက်မှုဖြင့်ပြသထားသည့်အလိုရှိသောရလဒ်သို့မပို့ဆောင်နိုင်ခြင်းကြောင့်ဖြစ်သည်။ ဤဆောင်းပါးတွင်တင်ပြထားသောအသုံးပြုမှုကိစ္စသည် ဂရပ် DBMSs အတွက်ရှင်းလင်းပြတ်သားသောပုံစံဖြစ်သည်၊ သို့သော်၎င်းသည်၎င်းတို့၏ပါရာဒိုင်းတွင်ပုံစံပြရန်အတွက်သင့်လျော်ပုံရသည်။

source: www.habr.com