7、图数据库的扩展、复制与原生特性解析

图数据库的扩展、复制与原生特性解析

1. 大数据存储挑战与分片技术

从纯数据存储的角度来看，大数据应用面临着两个主要挑战，也就是通常所说的“4V”中的两个：
- 数据量（Volume） ：涉及的数据量极为庞大，难以将数据存储在单台机器上。
- 速度（Velocity） ：单台机器只能服务有限数量的并发用户。

虽然垂直扩展（如增加计算、存储和内存资源）可以暂时应对大量数据并改善多并发用户的响应时间，但最终数据会变得太大而无法存储在单个存储节点上，并且用户数量也会多到单台机器无法处理。

在NoSQL数据库中，一种常用的扩展技术是分片（Sharding）。分片是将大型数据集拆分，并将子集分布到不同服务器上的多个分片。这些分片通常会在多台服务器上进行复制，以提高可靠性和性能。分片策略决定了哪些数据分区应该发送到哪个分片，它可以由应用程序或数据存储系统本身管理。

对于“面向聚合”的数据模型，如键值、列族和文档数据库，分片是一个合理的解决方案。在这些存储中，检索任何存储项的键是明确且稳定的，查找机制既可预测（如一致性哈希）又快速（如使用布隆过滤器统计定位热副本）。在这种情况下，客户端存储或检索数据时很容易被引导到合适的分片。

然而，图数据模型高度“面向关系”，每个节点都可能与其他任何节点相关联，因此图的查找不可预测，且结构高度可变。在这种情况下，对图数据库进行分片并非易事，大多数解决方案都会面临扩展难题。

2. 图数据库分片的挑战与解决方案

2.1 分片挑战