概述

IT/网络运营的海量数据管理是一种常见数据场景。在传统的解决方案中，当数据量超过一定量级时通常不能直接使用传统数据库，而需采用更为专业化的CMDB。但传统CMBD的弊端也显而易见：周期长，不够灵活，当随着数据量和关系复杂度的提高时，会面临复杂臃肿的设计和处理效率下降的问题，这样带来的工作量和维护成本也会巨大无比。

图数据库则可以轻松的对IT/网络运营的海量数据进行建模，将原始关系型数据库中结构化数据转换图数据库中的节点和边。这样可以解放DBA繁杂的数据建模工作量，同时又能够将查询效率达到量级的提升。因此，图数据库在IT/网络运营的海量数据场景将有着无限的发展前景。

示例

下面示例采用USAir97的机场运输的dataset对具体应用加以说明

• 数据模型： 图数据模型抽象以每个机场航运站为节点，航运站间的运输路线为边。

  节点中包含航运站名称，航运站坐标位置；边中包含所连接的航运站，及航运站之间的距离。

  航站枢纽节点连接示意图如下：

• 查看一共有多少点：

  gremlin> g.V().count()
  ==>332

• 查看一共有多少边：

  gremlin> g.E().count()
  ==>2126

• 查看枢纽节点，一共有多少节点连入：

gremlin> g.V('118').in().count() //118为"Chicago O'hare Intl"节点
==>40
//一共有哪些连入节点
gremlin> g.V('118').in().id()
==>65  //"Portland Intl"
==>94  //"General Mitchell Intll"
==>95  //"Greater Buffalo Intl"
==>8   //"Anchorage Intl"
...

• 查看枢纽节点，一共连了多少节点：

gremlin> g.V('118').out().count()
==>99
//一共连了哪些节点
gremlin> g.V('118').out().id()
==>201  //"San Francisco Intl"
==>221  //"Raleigh-Durham Intll"
==>301  //"Tampa Intl"
==>232   //"Memphis Intl"
...

• 最优运输路径选择： 从”Wiley Post-Will Rogers Mem” 节点运输货物至 “Shreveport Regional” 的最优路径选择

  gremlin> g.V("1").store("x").repeat(out().where(without("x")).aggregate("x")).until(hasId("267")).path()
  ==>[v[1],v[4],v[47]，v[255],v[267]]
  // "Wiley Post-Will Rogers Mem" -> "Fairbanks Intl" -> "Seattle-Tacoma Intl" -> "The William B Hartsfield Atlan" -> "Shreveport Regional"

• 运输路线统计分析：每次运输一个节点添加运输货物事件记录，查询时可按货物查询运输路线，达到运输路线统计，货物追踪及货物信息统计等

  gremlin> g.V('1').property('cargo1', 1)
  ==>v[1]
  gremlin> g.V('4').property('cargo1', 2)
  ==>v[4]
  gremlin> g.V('47').property('cargo1', 3)
  ==>v[47]
  gremlin> g.V().properties('cargo1').valueMap(true)
  ==>[id:1,key:cargo1,value:1]
  ==>[id:4,key:cargo1,value:2]
  ==>[id:47,key:cargo1,value:3]

• 货物运输路线跟踪：在货物运输完或运输途中，可以根据图数据库中留下的记号，追踪货物在运输网中的路径

  gremlin> g.V().has("cargo1").valueMap(true)
  ==>[id:1,label:vertex,cargo1:[1]]
  ==>[id:4,label:vertex,cargo1:[2]]
  ==>[id:47,label:vertex,cargo1:[3]]