Kaskade：面向高效图分析的图视图
数据库
2019-06-13 v1
摘要
图正日益成为建模现实世界实体及其关系（从社交网络到数据血缘图和生物数据集）的流行方式。对这些大规模图的查询通常涉及代价高昂的子图遍历和复杂的分析计算。这些现实世界的图往往比通用的顶点-边模型所暗示的具有更强的结构性，但现有图引擎在图查询优化中大多尚未利用这一洞见。因此，本文聚焦于利用图和查询的结构特性，自动推导可显著加速查询评估的物化图视图。我们提出 KASKADE，这是首个利用物化图视图进行查询优化的图查询优化框架。KASKADE 采用一种新颖的基于约束的视图枚举技术，从查询工作负载和图模式中挖掘约束，并在视图枚举过程中注入这些约束，以显著缩减待考虑视图的搜索空间。此外，它引入了一个图视图大小估计器，用于在给定查询集时选择最有益的视图进行物化，并在给定一组物化视图时选择最佳查询评估计划。我们在现实世界图（包括我们在 Microsoft 维护的用于支持审计、服务分析和高级系统优化的溯源图）上评估其性能。结果表明，KASKADE 显著缩减了有效图大小，并带来了显著的性能加速（最高达 50 倍），在某些情况下使原本难以处理的查询成为可能。
引用
@article{arxiv.1906.05162,
title = {Kaskade: Graph Views for Efficient Graph Analytics},
author = {Joana M. F. da Trindade and Konstantinos Karanasos and Carlo Curino and Samuel Madden and Julian Shun},
journal= {arXiv preprint arXiv:1906.05162},
year = {2019}
}