ArangoDB（三）性能测试

ArangoDB测试

测试环境：x节点集群，xCpu，xg内存

启动

单节点启动方式：systemctl arangodb3 start

–database.directory = /var/lib/arangodb3

集群启动方式：

# 启动Master
arangodb --starter.data-dir=/root/arangodb/db1 --server.storage-engine=rocksdb start

# 启动其他节点
arangodb --starter.data-dir=/root/arangodb/db2 --server.storage-engine=rocksdb --starter.join XX.XX.XX.XXX start
arangodb --starter.data-dir=/root/arangodb/db3 --server.storage-engine=rocksdb --starter.join XX.XX.XX.XXX start

–database.directory = /root/arangodb/db1/dbserver8530/data

获取随机顶点

for v in airports
	sort rand()
	limit 1
	return v

测试项

数据加载测试

1. 加载顶点
arangoimp --file /home/junhu/airports.csv --collection airports --create-collection true --type csv --server.endpoint "http+tcp://XX.XX.XX.XXX:8529"

2. 加载边
arangoimp --file /home/junhu/flights.csv --collection flights --create-collection true --type csv --create-collection-type edge --server.endpoint "http+tcp://XX.XX.XX.XXX:8529"

1. 加载耗时 time arangoimp
2. 加载后磁盘容量 su -sb /var/lib/arangodb3

K度查询测试

从顶点开始，找到所有位于长度为K的路径的末端顶点的总计数

随机选取3个节点，进行K度查询测试，取平均值

方向：inbound outbound any

1. 一度查询测试
return length(for v in airports
    filter v._id=="airports/LAX"
    for i in 1..1 any v flights 
    OPtions {
        uniqueVertices:'path',
        uniqueEdges:'none'
    }
    return Distinct i)
    
2. 二度查询测试
3. 三度查询测试

图算法性能测试

1. 创建Graph
2. 加载顶点
arangoimp --file /home/junhu/airports.csv --collection airports --type csv --server.endpoint "http+tcp://XX.XX.XX.XXX:8529"

3. 加载边
arangoimp --file /home/junhu/flights.csv --collection flights --type csv --create-collection-type edge --server.endpoint "http+tcp://XX.XX.XX.XXX:8529"

connected components 联通子图

在无向图中，若任意两个顶点vivi与vjvj都有路径相通，则称该无向图为连通图。

弱联通子图（WCC）是所有可以互相连通的顶点、以及顶点之间的边的集合，如果是有向边则忽略其方向。WCC 查询在图中找到并标记所有的弱联通子图。这个查询要求遍历每个顶点和每条边。

arangosh

var pregel = require('@arangodb/pregel');
var handle = pregel.start("connectedcomponents", "GraphName", {maxGSS:10, resultField: "compend",shardKeyAttribute:"_key",store:false})
pregel.status(handle)

pregel.cancel(handle)

PageRank

PageRank的核心思想是，一个网站靠不靠谱，让整个互联网来投票，通过投票结果选出最相关的网页权重
PageRank 是一种迭代算法，它在每次迭代中遍历每条边，并为每个顶点计算一个得分值。经过多次
迭代后，这些分值将收敛于稳定状态的分值。我们的测试是运行 10 次迭代。

arangosh

var pregel = require('@arangodb/pregel');
var handle = pregel.start("pagerank", "GraphName", {maxGSS:10, resultField: "rank",shardKeyAttribute:"_key",store:false,"gss":10})
pregel.status(handle)

pregel.cancel(handle)

Single-Source Shortest Path 单源最短路径

给定一个顶点，计算从这个顶点到其他任意顶点的最短路径距离

var pregel = require("@arangodb/pregel");
pregel.start("sssp", "graphname", {maxGSS:10, source: "vertices/1337", _resultField: "distance"});

Community Detection 社团发现

内部连接比较紧密的节点子集合对应的子图叫做社区（community），各社区节点集合彼此没有交集的称为非重叠型（disjoint）社区，有交集的称为重叠型（overlapping）社区。网络图中包含一个个社区的现象称为社区结构，社区结构是网络中的一个普遍特征。给定一个网络图，找出其社区结构的过程叫做社区发现（community detection）。

const pregel = require("@arangodb/pregel");
const handle = pregel.start("labelpropagation", "yourgraph", {maxGSS: 100, resultField: "community"});

Vertex Centrality 顶点中心度

中心性（Centrality）是图（网络）分析（graph/network analysis）中常用的一个概念，用以表达图（网络）中一个顶点在整个网络中所在中心的程度，也称之为中心度。根据测定中心性方法的不同，可分为度中心性（Degree centrality，根据方向的不同，又分为入度中心性（InDegree），出度中心性（OutDegree）等），接近中心性（或紧密中心性，Closeness centrality），中介中心性（或介数中性线，Betweenness centrality）等

Closeness centrality：

const pregel = require("@arangodb/pregel");
const handle = pregel.start("effectivecloseness", "yourgraph", {resultField: "closeness"});

Betweenness centrality：

const pregel = require("@arangodb/pregel");
const handle = pregel.start("linerank", "yourgraph", {resultField: "linerank"});

reference

• ArangoDB官方文档
• graphs-pregel
• TigerGraph图分析系统基准测试报告