23、GraphDB-Tree：高效存储和处理大规模复杂网络的新方案

GraphDB-Tree：高效存储和处理大规模复杂网络的新方案

1. 图的基本概念

在图论中，图由一组节点和有向边组成，每条有向边是从一个节点到另一个节点的链接，方向非常重要。节点的度（也称为邻域）由其关联的边的数量定义。另外，三角形是一个重要的概念，它是由三个完全相连的节点组成的子图。

对于图 $G = (V, E)$，三角形 $\Delta(G)$ 是一个三节点子图，其中 $V_{\Delta} = {u, v, w} \in V$ 且 $E_{\Delta} = {(u, v), (v, w), (w, u)} \in E$。开放三角形 $\Lambda(G)$ 是一个三节点子图，其中 $E_{\Lambda} = {(u, v), (v, w)} \in E$ 且 ${u, w} \notin E$。传递性比率是网络中闭合三角形的比例，即 $T(G) = \frac{3 * \Delta(G)}{\Lambda(G)}$。

2. 相关工作

近年来，可用的非结构化数据量显著增加，尤其是网络上的复杂网络数据。然而，如何在二级存储中高效存储复杂网络的研究却很少受到关注。目前，大多数研究集中在小型图数据库的索引上，主要任务是搜索相似的图或子图。

• Hadoop与MapReduce ：Hadoop是MapReduce的开源实现，它提供了分布式文件系统（HDFS）和PIG（一种用于数据分析的高级语言）。基于Hadoop，有许多图挖掘包可用于处理具有数十亿节点和边的图，如PeGaSus。但MapReduce模型简单，没有内置索引，程序员需要自己实现索引来加速数据访问，且其数据获取机制需要进行调