← 研踪 PaperTrail软件学报:jos:7638 · 记录 #1
图数据库节点标识存储引擎性能建模与适配策略
来源日期 2026-06-01
来源记录日期 2026-06-01
雷达观测 2026-11-05 00:20
摘要
随着大数据和人工智能技术的快速发展, 图数据库因其在复杂关系建模与高效查询方面的优势, 逐渐成为社交网络分析、金融风控、知识图谱等领域的核心基础设施. 图数据库的管理对象是节点以及节点之间的关系. 在架构层面, 节点唯一标识符(node identifier, NodeID)作为图数据管理的核心纽带, 承担节点身份表征、关系寻址和图算法执行的关键职能. 当前主流图数据库普遍采用键值存储(key-value store, KVS)引擎实现节点标识到图结构的映射管理. 然而, 现有系统多依赖通用键值存储引擎(如RocksDB)管理此类映射, 却缺乏对负载特性的深度考量, 具体表现为: 1) 节点标识映射负载特征建模缺失; 2) 跨软硬件环境(如CPU/内存、SSD/HDD)的适应性不足. 首先系统分析图数据库中节点标识映射的操作特性与键值存储需求, 进而评估多种主流键值存储引擎(包括RocksDB、LMDB、LevelDB、FasterKV及ForestDB)在异构硬件环境下的性能表现, 系统揭示不同数据负载 (如数据规模、读写比)与硬件配置(如内存容量、线程数、存储介质)对执行效率的影响规律. 基于大规模实验(覆盖5类数据集、3种硬件平台及1300+组对照测试), 提出一种基于决策树模型的适配策略, 整合负载特征(数据规模、读写比)与硬件配置(内存、线程数、磁盘类型), 以指导键值存储引擎的自适应选择. 实验表明, 该模型推荐最优引擎的准确率达92.1%, 次优场景性能差距小于10%.
论文发现出处
这些页面提供论文线索，不代表同行评审或质量认证。
发表信息与关联版本
软件学报 ↗2026 · 正式发表 · DOI: 10.13328/j.cnki.jos.007638
观测到的版本
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
记录 #1 · 2026-06-01 · 最新观测版本
图数据库节点标识存储引擎性能建模与适配策略
随着大数据和人工智能技术的快速发展, 图数据库因其在复杂关系建模与高效查询方面的优势, 逐渐成为社交网络分析、金融风控、知识图谱等领域的核心基础设施. 图数据库的管理对象是节点以及节点之间的关系. 在架构层面, 节点唯一标识符(node identifier, NodeID)作为图数据管理的核心纽带, 承担节点身份表征、关系寻址和图算法执行的关键职能. 当前主流图数据库普遍采用键值存储(key-value store, KVS)引擎实现节点标识到图结构的映射管理. 然而, 现有系统多依赖通用键值存储引擎(如RocksDB)管理此类映射, 却缺乏对负载特性的深度考量, 具体表现为: 1) 节点标识映射负载特征建模缺失; 2) 跨软硬件环境(如CPU/内存、SSD/HDD)的适应性不足. 首先系统分析图数据库中节点标识映射的操作特性与键值存储需求, 进而评估多种主流键值存储引擎(包括RocksDB、LMDB、LevelDB、FasterKV及ForestDB)在异构硬件环境下的性能表现, 系统揭示不同数据负载 (如数据规模、读写比)与硬件配置(如内存容量、线程数、存储介质)对执行效率的影响规律. 基于大规模实验(覆盖5类数据集、3种硬件平台及1300+组对照测试), 提出一种基于决策树模型的适配策略, 整合负载特征(数据规模、读写比)与硬件配置(内存、线程数、磁盘类型), 以指导键值存储引擎的自适应选择. 实验表明, 该模型推荐最优引擎的准确率达92.1%, 次优场景性能差距小于10%.
查看此版本解读 →查看此版本原文 ↗