AI解码：开源图数据库Nebula Graph解析

随着知识图谱、GraphRAG 等 AI 技术的发展，图数据库也受到日益增多的关注。

今天，我们来“揭秘”一个开源图数据库项目 Nebula Graph，它的 GitHub 地址是： 

https://github.com/vesoft-inc/nebula

在解析项目中，我们通常需要借助 AI 软件来解析，这次我用到的这款软件是 Eagle DevAgent（简称Eagle）

使用网址：https://eagle.capitalren.com/

Nebula Graph项目介绍

Nebula Graph 是一款开源的、分布式的、易扩展的原生图数据库，能够承载包含数千亿个点和数万亿条边的超大规模数据集，并且提供毫秒级查询。

 

关于图数据库

图数据库是专门存储庞大的图形网络并从中检索信息的数据库。它可以将图中的数据高效存储为点（Vertex）和边（Edge），还可以将属性（Property）附加到点和边上。

图数据库适合存储大多数从现实抽象出的数据类型。世界上几乎所有领域的事物都有内在联系，像关系型数据库这样的建模系统会提取实体之间的关系，并将关系单独存储到表和列中，而实体的类型和属性存储在其他列甚至其他表中，这使得数据管理费时费力。

Nebula Graph 作为一个典型的图数据库，可以将丰富的关系通过边及其类型和属性自然地呈现。 

 

用 Eagle 解读 Nebula Graph

我们把 Nebula Graph 这个开源项目的 GitHub 网址发送给 Eagle。 Eagle 很清晰的把项目概况、主要特性、重要目录和文件、使用的模式或框架等初步的分析结果列了出来。

I 对项目整体解读

Q：解读一下这个项目：https://github.com/vesoft-inc/nebula

 

Eagle 对整个项目做了概述

I 对技术架构解读

Q：此项目的架构是什么？

 

结合图示，及文字说明把Nebula Graph的详细架构和交互流程做了罗列

I 对某技术点解读

通过上面的架构图，我们知道 Nebula Graph 在数据及元数据存储中都用到了Raft 算法。

Raft 算法是分布式系统中保证数据存储可靠性和一致性的重要算法，但不同的系统对 Raft 的具体实现迥异，这也是导致系统可用性和性能差别的关键所在，Nebula Graph 是如何实现 Raft 算法的呢？我们把这个问题抛给了 Eagle，下面就来看看TA的精彩回答吧：

Q：解释一下：https://github.com/vesoft-inc/nebula的Raft算法实现

在代码库中定位到关键技术点的实现

Eagle还会列出关键实现代码，例如领导者选举:

folly::Future<bool> RaftPart::leaderElection(bool isPreVote) {
  using namespace folly;
  bool expected = false;
  if (!inElection_.compare_exchange_strong(expected, true)) {
    return false;
  }

  cpp2::AskForVoteRequest voteReq;
  decltype(hosts_) hosts;
  if (!prepareElectionRequest(voteReq, hosts, isPreVote)) {
    std::lock_guard<std::mutex> g(raftLock_);
    role_ = Role::FOLLOWER;
    leader_ = HostAddr("", 0);
    inElection_ = false;
    return false;
  }

  auto proposedTerm = voteReq.get_term();
  auto resps = ElectionResponses();
  stats::StatsManager::addValue(kNumStartElect);
  if (hosts.empty()) {
    auto ret = handleElectionResponses(resps, hosts, proposedTerm, isPreVote);
    inElection_ = false;
    return ret;
  } else {
    folly::Promise<bool> promise;
    auto future = promise.getFuture();
    auto eb = ioThreadPool_->getEventBase();
    collectNSucceeded(
        gen::from(hosts) |
            gen::map([eb, self = shared_from_this(), voteReq](std::shared_ptr<Host> host) {
              return via(eb, [voteReq, host, eb]() -> Future<cpp2::AskForVoteResponse> {
                return host->askForVote(voteReq, eb);
              });
            }) |
            gen::as<std::vector>(),
        quorum_,
        [hosts](size_t idx, cpp2::AskForVoteResponse& resp) {
          return resp.get_error_code() == nebula::cpp2::ErrorCode::SUCCEEDED &&
                 !hosts[idx]->isLearner();
        })
        .via(executor_.get())
        .then([self = shared_from_this(), pro = std::move(promise), hosts, proposedTerm, isPreVote](
                  auto&& t) mutable {
          pro.setValue(
              self->handleElectionResponses(t.value(), std::move(hosts), proposedTerm, isPreVote));
        });
    return future;
  }
}

Eagle：“这个方法发起领导者选举。它首先准备选举请求，然后发送请求并等待响应。如果获得多数票，它将成为领导者。”

关键实现细节也以代码呈现的形式进行了解读

Q：Nebula Graph 的 Raft 算法实现中的领导者（leader），是集群中的某个节点吗？还是说对数据进行分片，每个分片会以多个副本存在几个节点上，每个节点都有可能成为不同数据分片的leader？

Eagle 对 Nebula Graph 中的数据分片机制及其与 Raft 算法的关系做了详细解释，回答了用户的疑问。

Eagle 还对要点进行了简明扼要的总结，让用户一目了然。

 

Eagle 按照用户提示，给出了关键代码。

小tips

Eagle 除了可以直接提交 GitHub 开源项目地址外，也可通过上传开源项目 Zip 压缩包的形式进行提问，欢迎大家进行试用。

有更多想要了解的也可以关注视频号：码力一哥。十一期间还有直播，可以和老师 1V1 交流 AI 大模型编程的相关问题，助力职场晋升！