怎么實現(xiàn)分布式圖數(shù)據(jù)庫Nebula Graph 的Index實踐

這篇文章將為大家詳細講解有關(guān)怎么實現(xiàn)分布式圖數(shù)據(jù)庫Nebula Graph 的Index實踐，文章內(nèi)容質(zhì)量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關(guān)知識有一定的了解。

導(dǎo)讀

索引是數(shù)據(jù)庫系統(tǒng)中不可或缺的一個功能，數(shù)據(jù)庫索引好比是書的目錄，能加快數(shù)據(jù)庫的查詢速度，其實質(zhì)是數(shù)據(jù)庫管理系統(tǒng)中一個排序的數(shù)據(jù)結(jié)構(gòu)。不同的數(shù)據(jù)庫系統(tǒng)有不同的排序結(jié)構(gòu)，目前常見的索引實現(xiàn)類型如 B-Tree index、B+-Tree index、B*-Tree index、Hash index、Bitmap index、Inverted index 等等，各種索引類型都有各自的排序算法。

雖然索引可以帶來更高的查詢性能，但是也存在一些缺點，例如：

• 創(chuàng)建索引和維護索引要耗費額外的時間,往往是隨著數(shù)據(jù)量的增加而維護成本增大

• 索引需要占用物理空間

• 在對數(shù)據(jù)進行增刪改的操作時需要耗費更多的時間,因為索引也要進行同步的維護

Nebula Graph 作為一個高性能的分布式圖數(shù)據(jù)庫，對于屬性值的高性能查詢，同樣也實現(xiàn)了索引功能。本文將對 Nebula Graph的索引功能做一個詳細介紹。

圖數(shù)據(jù)庫 Nebula Graph 術(shù)語

開始之前，這里羅列一些可能會使用到的圖數(shù)據(jù)庫和 Nebula Graph 專有術(shù)語：

• Tag：點的屬性結(jié)構(gòu)，一個 Vertex 可以附加多種 tag，以 TagID 標識。（如果類比 SQL，可以理解為一張點表）

• Edge：類似于 Tag，EdgeType 是邊上的屬性結(jié)構(gòu)，以 EdgeType 標識。（如果類比 SQL，可以理解為一張邊表）

• Property：tag / edge 上的屬性值，其數(shù)據(jù)類型由 tag / edge 的結(jié)構(gòu)確定。

• Partition：Nebula Graph 的最小邏輯存儲單元，一個 StorageEngine 可包含多個 Partition。Partition 分為 leader 和 follower 的角色，Raftex 保證了 leader 和 follower 之間的數(shù)據(jù)一致性。

• Graph space：每個 Graph Space 是一個獨立的業(yè)務(wù) Graph 單元，每個 Graph Space 有其獨立的 tag 和 edge 集合。一個 Nebula Graph 集群中可包含多個 Graph Space。

• Index：本文中出現(xiàn)的 Index 指 nebula graph 中點和邊上的屬性索引。其數(shù)據(jù)類型依賴于 tag / edge。

• TagIndex：基于 tag 創(chuàng)建的索引，一個 tag 可以創(chuàng)建多個索引。目前（2020.3）暫不支持跨 tag 的復(fù)合索引，因此一個索引只可以基于一個 tag。

• EdgeIndex：基于 Edge 創(chuàng)建的索引。同樣，一個 Edge 可以創(chuàng)建多個索引，但一個索引只可以基于一個 edge。

• Scan Policy：Index 的掃描策略，往往一條查詢語句可以有多種索引的掃描方式，但具體使用哪種掃描方式需要 Scan Policy 來決定。

• Optimizer：對查詢條件進行優(yōu)化，例如對 where 子句的表達式樹進行子表達式節(jié)點的排序、分裂、合并等。其目的是獲取更高的查詢效率。

索引需求分析

Nebula Graph 是一個圖數(shù)據(jù)庫系統(tǒng)，查詢場景一般是由一個點出發(fā)，找出指定邊類型的相關(guān)點的集合，以此類推進行（廣度優(yōu)先遍歷）N 度查詢。另一種查詢場景是給定一個屬性值，找出符合這個屬性值的所有的點或邊。在后面這種場景中，需要對屬性值進行高性能的掃描，查出與此屬性值對應(yīng)的邊或點，以及邊或點上的其它屬性。為了提高屬性值的查詢效率，在這里引入了索引的功能。對邊或點的屬性值進行排序，以便快速的定位到某個屬性上。以此避免了全表掃描。

可以看到對圖數(shù)據(jù)庫 Nebula Graph 的索引要求：

• 支持 tag 和 edge 的屬性索引

• 支持索引的掃描策略的分析和生成

• 支持索引的管理，如：新建索引、重建索引、刪除索引、list | show 索引等。

系統(tǒng)架構(gòu)概覽

圖數(shù)據(jù)庫 Nebula Graph 存儲架構(gòu)

從架構(gòu)圖可以看到，每個Storage Server 中可以包含多個 Storage Engine, 每個 Storage Engine中可以包含多個Partition, 不同的Partition之間通過 Raft 協(xié)議進行一致性同步。每個 Partition 中既包含了 data，也包含了 index，同一個點或邊的 data 和 index 將被存儲到同一個 Partition 中。

業(yè)務(wù)具體分析

數(shù)據(jù)存儲結(jié)構(gòu)

為了更好的描述索引的存儲結(jié)構(gòu)，這里將圖數(shù)據(jù)庫 Nebula Graph 原始數(shù)據(jù)的存儲結(jié)構(gòu)一起拿出來分析下。

點的存儲結(jié)構(gòu)

點的 Data 結(jié)構(gòu)

點的 Index 結(jié)構(gòu)

Vertex 的索引結(jié)構(gòu)如上表所示，下面來詳細地講述下字段：

PartitionId：一個點的數(shù)據(jù)和索引在邏輯上是存放到同一個分區(qū)中的。之所以這么做的原因主要有兩點：

1. 當掃描索引時，根據(jù)索引的 key 能快速地獲取到同一個分區(qū)中的點 data，這樣就可以方便地獲取這個點的任何一種屬性值，即使這個屬性列不屬于本索引。

2. 目前 edge 的存儲是由起點的 ID Hash 分布，換句話說，一個點的出邊存儲在哪是由該點的 VertexId 決定的，這個點和它的出邊如果被存儲到同一個 partition 中，點的索引掃描能快速地定位該點的出邊。

IndexId：index 的識別碼，通過 indexId 可獲取指定 index 的元數(shù)據(jù)信息，例如：index 所關(guān)聯(lián)的 TagId，index 所在列的信息。

Index binary：index 的核心存儲結(jié)構(gòu)，是所有 index 相關(guān)列屬性值的字節(jié)編碼，詳細結(jié)構(gòu)將在本文的 #Index binary# 章節(jié)中講解。

VertexId：點的識別碼，在實際的 data 中，一個點可能會有不同 version 的多行數(shù)據(jù)。但是在 index 中，index 沒有 Version 的概念，index 始終與最新 Version 的 Tag 所對應(yīng)。

上面講完字段，我們來簡單地實踐分析一波：

假設(shè) PartitionId 為 100，TagId 有 tag_1 和 tag_2，其中 tag_1 包含三列 ：colt1_1、col_t1_2、col_t1_3，_tag_2 包含兩列：col_t2_1、col_t2_2。

現(xiàn)在我們來創(chuàng)建索引：

• i1 = tag_1 (col_t1_1, col_t1_2) ，假設(shè) i1 的 ID 為 1；

• i2 = tag_2(col_t2_1, col_t2_2),  假設(shè) i2 的 ID 為 2；

可以看到雖然 tag_1 中有 col_t1_3 這列，但是建立索引的時候并沒有使用到 col_t1_3，因為在圖數(shù)據(jù)庫 Nebula Graph 中索引可以基于 Tag 的一列或多列進行創(chuàng)建。

插入點

// VertexId = hash("v_t1_1")，假如為 50 
INSERT VERTEX tag_1(col_t1_1, col_t1_2, col_t1_3), tag_2(col_t2_1, col_t2_2) \
   VALUES hash("v_t1_1"):("v_t1_1", "v_t1_2", "v_t1_3", "v_t2_1", "v_t2_2");

從上可以看到 VertexId 可由 ID 標識對應(yīng)的數(shù)值經(jīng)過 Hash 得到，如果標識對應(yīng)的數(shù)值本身已經(jīng)為 int64，則無需進行 Hash 或者其他轉(zhuǎn)化數(shù)值為 int64 的運算。而此時數(shù)據(jù)存儲如下：

此時點的 Data 結(jié)構(gòu)

此時點的 Index 結(jié)構(gòu)

說明：index 中 row 和 key 是一個概念，為索引的唯一標識；

邊的存儲結(jié)構(gòu)

邊的索引結(jié)構(gòu)和點索引結(jié)構(gòu)原理類似，這里不再贅述。但有一點需要說明，為了使索引 key 的唯一性成立，索引的 key 的生成借助了不少 data 中的元素，例如 VertexId、SrcVertexId、Rank 等，這也是為什么點索引中并沒有 TagId 字段（邊索引中也沒有 EdgeType 字段），這是因為 IndexId 本身帶有 VertexId 等信息可直接區(qū)分具體的 tagId 或 EdgeType。

邊的 Data 結(jié)構(gòu)

邊的 Index 結(jié)構(gòu)

Index binary 介紹

Index binary 是 index 的核心字段，在 index binary 中區(qū)分定長字段和不定長字段，int、double、bool 為定長字段，string 則為不定長字段。由于 index binary 是將所有 index column 的屬性值編碼連接存儲，為了精確地定位不定長字段，Nebula Graph 在 index binary 末尾用 int32 記錄了不定長字段的長度。

舉個例子：

我們現(xiàn)在有一個 index binary 為 index1，是由 int 類型的索引列1 c1、string 類型的索引列 c2，string 類型的索引列 c3 組成：

index1 (c1:int, c2:string, c3:string)

假如索引列 c1、c2、c3 某一行對應(yīng)的 property 值分別為：23、”abc”、”here”，則在 index1 中這些索引列將被存儲為如下（在示例中為了便于理解，我們直接用原值，實際存儲中是原值會經(jīng)過編碼再存儲）：

• length = sizeof(“abc”) = 3

• length = sizeof(“here”) = 4

所以 index1 該 row 對應(yīng)的 key 則為 23abchere34；

回到我們 Index binary 章節(jié)開篇說的 index binary 格式中存在 Variable-length field lenght 字段，那么這個字段的的具體作用是什么呢？我們來簡單地舉個例：

現(xiàn)在我們又有了一個 index binary，我們給它取名為 index2，它由 string 類型的索引列1 c1、string 類型的索引列 c2，string 類型的索引列 c3 組成：

index2 (c1:string, c2:string, c3:string)

假設(shè)我們現(xiàn)在 c1、c2、c3 分別有兩組如下的數(shù)值：

• row1 : (“ab”, “ab”, “ab”)

• row2: (“aba”, “ba”, “b”)

可以看到這兩行的 prefix（上圖紅色部分）是相同，都是 “ababab”，這時候怎么區(qū)分這兩個 row 的 index binary 的 key 呢？別擔心，我們有 Variable-length field lenght 。

若遇到 where c1 == “ab” 這樣的條件查詢語句，在 Variable-length field length 中可直接根據(jù)順序讀取出 c1 的長度，再根據(jù)這個長度取出 row1 和 row2 中 c1 的值，分別是 “ab” 和 “aba” ，這樣我們就精準地判斷出只有 row1 中的 “ab” 是符合查詢條件的。

索引的處理邏輯

Index write

當 Tag / Edge中的一列或多列創(chuàng)建了索引后，一旦涉及到 Tag / Edge 相關(guān)的寫操作時，對應(yīng)的索引必須連同數(shù)據(jù)一起被修改。下面將對索引的write操作在storage層的處理邏輯進行簡單介紹：

INSERT——插入數(shù)據(jù)

當用戶產(chǎn)生插入點/邊操作時，insertProcessor 首先會判斷所插入的數(shù)據(jù)是否有存在索引的 Tag 屬性 / Edge 屬性。如果沒有關(guān)聯(lián)的屬性列索引，則按常規(guī)方式生成新 Version，并將數(shù)據(jù) put 到 Storage Engine；如果有關(guān)聯(lián)的屬性列索引，則通過原子操作寫入 Data 和 Index，并判斷當前的 Vertex / Edge 是否有舊的屬性值，如果有，則一并在原子操作中刪除舊屬性值。

DELETE——刪除數(shù)據(jù)

當用戶發(fā)生 Drop Vertex / Edge 操作時，deleteProcessor 會將 Data 和 Index（如果存在）一并刪除，在刪除的過程中同樣需要使用原子操作。

UPDATE——更新數(shù)據(jù)

Vertex / Edge 的更新操作對于 Index 來說，則是 drop 和 insert 的操作：刪除舊的索引，插入新的索引，為了保證數(shù)據(jù)的一致性，同樣需要在原子操作中進行。但是對應(yīng)普通的 Data 來說，僅僅是 insert 操作，使用最新 Version 的 Data 覆蓋舊 Version 的 data 即可。

Index scan

在圖數(shù)據(jù)庫 Nebula Graph 中是用 LOOKUP 語句來處理 index scan 操作的，LOOKUP 語句可通過屬性值作為判斷條件，查出所有符合條件的點/邊，同樣 LOOKUP 語句支持 WHERE 和 YIELD 子句。

LOOKUP 使用技巧

正如根據(jù)本文#數(shù)據(jù)存儲結(jié)構(gòu)#章節(jié)所描述那樣，index 中的索引列是按照創(chuàng)建 index 時的列順序決定。

舉個例子，我們現(xiàn)在有 tag (col1, col2)，根據(jù)這個 tag 我們可以創(chuàng)建不同的索引，例如：

• index1 on tag(col1)

• index2 on tag(col2)

• index3 on tag(col1, col2)

• index4 on tag(col2, col1)

我們可以對 clo1、col2 建立多個索引，但在 scan index 時，上述四個 index 返回結(jié)果存在差異，甚至是完全不同，在實際業(yè)務(wù)中具體使用哪個 index，及 index 的最優(yōu)執(zhí)行策略，則是通過索引優(yōu)化器決定。

下面我們再來根據(jù)剛才 4 個 index 的例子深入分析一波：

lookup on tag where tag.col1 ==1  # 最優(yōu)的 index 是 index1
lookup on tag where tag.col2 == 2 # 最優(yōu)的 index 是index2
lookup on tag where tag.col1 > 1 and tag.col2 == 1 
# index3 和 index4 都是有效的 index，而 index1 和 index2 則無效

在上述第三個例子中，index3 和 index4 都是有效 index，但最終必須要從兩者中選出來一個作為 index，根據(jù)優(yōu)化規(guī)則，因為 tag.col2 == 1 是一個等價查詢，因此優(yōu)先使用 tag.col2 會更高效，所以優(yōu)化器應(yīng)該選出 index4 為最優(yōu) index。

實操一下圖數(shù)據(jù)庫 Nebula Graph 索引

在這部分我們就不具體講解某個語句的用途是什么了，如果你對語句不清楚的話可以去圖數(shù)據(jù)庫 Nebula Graph 的官方論壇進行提問： https://discuss.nebula-graph.io/

CREATE——索引的創(chuàng)建

(user@127.0.0.1:6999) [(none)]> CREATE SPACE my_space(partition_num=3, replica_factor=1);
Execution succeeded (Time spent: 15.566/16.602 ms)
Thu Feb 20 12:46:38 2020
(user@127.0.0.1:6999) [(none)]> USE my_space;
Execution succeeded (Time spent: 7.681/8.303 ms)
Thu Feb 20 12:46:51 2020
(user@127.0.0.1:6999) [my_space]> CREATE TAG lookup_tag_1(col1 string, col2 string, col3 string);
Execution succeeded (Time spent: 12.228/12.931 ms)
Thu Feb 20 12:47:05 2020
(user@127.0.0.1:6999) [my_space]> CREATE TAG INDEX t_index_1 ON lookup_tag_1(col1, col2, col3);
Execution succeeded (Time spent: 1.639/2.271 ms)
Thu Feb 20 12:47:22 2020

DROP——刪除索引

(user@127.0.0.1:6999) [my_space]> DROP TAG INDEX t_index_1;
Execution succeeded (Time spent: 4.147/5.192 ms)
Sat Feb 22 11:30:35 2020

REBUILD——重建索引

如果你是從較老版本的 Nebula Graph 升級上來，或者用 Spark Writer 批量寫入過程中（為了性能）沒有打開索引，那么這些數(shù)據(jù)還沒有建立過索引，這時可以使用 REBUILD INDEX 命令來重新全量建立一次索引。這個過程可能會耗時比較久，在 rebuild index 完成前，客戶端的讀寫速度都會變慢。

REBUILD {TAG | EDGE} INDEX <index_name> [OFFLINE]

LOOKUP——使用索引

需要說明一下，使用 LOOKUP 語句前，請確保已經(jīng)建立過索引（CREATE INDEX 或 REBUILD INDEX）。

(user@127.0.0.1:6999) [my_space]> INSERT VERTEX lookup_tag_1(col1, col2, col3) VALUES 200:("col1_200", "col2_200", "col3_200"),  201:("col1_201", "col2_201", "col3_201"), 202:("col1_202", "col2_202", "col3_202");
Execution succeeded (Time spent: 18.185/19.267 ms)
Thu Feb 20 12:49:44 2020
(user@127.0.0.1:6999) [my_space]> LOOKUP ON lookup_tag_1 WHERE lookup_tag_1.col1 == "col1_200";
============
| VertexID |
============
| 200      |
------------
Got 1 rows (Time spent: 12.001/12.64 ms)
Thu Feb 20 12:49:54 2020
(user@127.0.0.1:6999) [my_space]> LOOKUP ON lookup_tag_1 WHERE lookup_tag_1.col1 == "col1_200" YIELD lookup_tag_1.col1, lookup_tag_1.col2, lookup_tag_1.col3;
========================================================================
| VertexID | lookup_tag_1.col1 | lookup_tag_1.col2 | lookup_tag_1.col3 |
========================================================================
| 200      | col1_200          | col2_200          | col3_200          |
------------------------------------------------------------------------
Got 1 rows (Time spent: 3.679/4.657 ms)
Thu Feb 20 12:50:36 2020

關(guān)于怎么實現(xiàn)分布式圖數(shù)據(jù)庫Nebula Graph 的Index實踐就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。