图数据库知识点10 | 金融级高性能图技术是如何炼成的

在数字化转型的浪潮中，尤其是当我们进入到大数据的高级阶段，也就是深数据时代以后，图数据库以其在处理复杂数据关系方面的独特优势，正逐渐成为金融等行业的重要底层技术工具。银行业作为数据要素密集型行业，很多银行很早开始了对图数据库的尝试、探索和实践。

据我们调研交流，多数银行对图数据库的学习和认知基本都是最老牌的Neo4j社区版开始，像招行、平安这样的数字化转型在同业领先的少数银行，甚至采购了商用版Neo4j，个别国有大行这两年还采购了2017年开始商业化的TigerGraph，其他进入业务管理应用实践的银行，有的采购的是互联网大厂科技输出的自用产品，有的采用的是国内其他的一些不甚知名的独立品牌，但多数的银行尤其是中小银行基本还停留在知识图谱项目+社区免费或开源套壳图数据库底座的阶段。总体看，市场情况比较复杂，各家银行认知情况和实践程度差异比较大。

就像2023年ChatGPT刚出来国内就开始上演百模大战，在国内图数据库和图计算技术（本文合称为“图技术”）研发及运用领域，这种类似情况早在十年前就开始了，只是应用领域主要是2B，尤其是2大B，很多人不甚清楚而已。自从Neo4j于2011年推出免费社区版（注：社区版并非开源版本，Neo4j 从来没有把核心层代码开源，而社区版所谓的开源内容仅限于服务层、接口层代码），特别是2012年google提出知识图谱概念，图技术在互联网领域快速运用，并逐渐向金融、政府、产业等大型用户场景快速扩散。在大模型技术突破和基础大模型产品问世之前，知识图谱一直是一枝独秀，代表着人工智能技术运用的主流路径。到现在，多数人还把图技术混同于知识图谱，其实知识图谱只是图技术的应用场景之一，更多的应用场景正在逐渐被挖掘出来。Gartner2021年的一份报告表示，图技术在数据分析领域会被广泛运用，在 2025 年将有 80%的创新型智能分析场景中运用到图技术。

目前图技术产业链生态总体看不太健康，市场比较混乱，不少金融用户走了弯路甚至踩了坑。无论是上游的图技术厂商，还是下游的图技术应用企业，基本都缺乏底层技术自研能力，图存储和图计算引擎要么是非原生的、多模式的，要么是基于Neo4j社区版或开源的 Janusgraph、ArangoDB 进行套壳改造而来的。就是看似无所不能、四处出击的互联网大厂们，基本也是自身场景特征和自主可控的需要，基于传统关系型数据库或Apache Spark等大数据框架搭建的技术架构（知乎上有不少文章可供阅考）。放眼过去，真正从第一行代码开始进行内核开发、架构创新并且实现工程化的，寥寥无几，而拥有高密度、高并发硬件加速性能的更是凤毛麟角，嬴图XAI就是在大量真实而复杂的金融场景中得到技术性能验证，并且拥有众多首创性解决方案能力的，金融级高性能图技术引擎产品。关于这一点，我们都能通过过去几年的产品研发实践、用户测试场景、技术创新运用中一一证明，而不是自话自说、自吹自擂。

01 | 为什么Neo4j在金融场景中基本沦为入门级的玩具

必须承认，Neo4j作为最早的、开创性的原生图数据库产品，对于带动图技术认知和应用起到了先驱者的作用，其知名度是最高的，当然这和最早发布免费社区版有很大关系（不少人的认知还停留在根据Github社区中的热度排名来评判产品好不好的阶段），另外其工具链条和技术文档也非常的成熟和完善。其真正的问题和面临的挑战在于，随着数据规模的量级增长和数据关系探索的需求深化，技术架构老化及其导致的性能瓶颈制约问题变得日益突出，难以满足金融级别的大规模数据在深度查询、复杂计算、实时交互等方面的数据处理需求。据我们的观察和银行同业技术交流反馈，在金融领域，Neo4j基本沦为了科技、研发人员学习图数据库技术的入门、实验室级别的玩具，难以堪当金融机构IT基础设施大任。

很多人都知道，Neo4j免费提供的社区版只能单机部署，而且只提供几种基础算法，只有采购商用版才提供集群化部署和算法库。银行用户利用社区版只能做一些小规模数据的探索和离线分析。出于业务稳定运行等方面的现实考虑，即便是中小银行，也无法真正以此为技术底座去开发搭建生产级上层应用系统。即便采购的是集群部署的分布式商用版，计算性能也基本相当拉跨，甚至因为其架构设计问题迟迟无法解决，很多情况下查询时效性还不如单机版，对此，我们曾在一家银行项目实践过程中亲身感受过。究其原因，从能观察到的情况看：

其一、从底层内核看，Neo4j的开发语言难以实现高并发。Neo4j中j就是指Java。顾名思义，其产品内核是用Java语言开发的。从底层内核的角度来看，Neo4j的设计和实现在一定程度上受限于其采用的Java语言。Java虽然是一种强大的通用编程语言，适用于构建可移植和面向对象的应用程序，但它在处理性能密集型任务时可能不如更接近硬件的语言高效。在编程