當你聽到數據庫一詞時，你通常會想到的可能是一張表，其中每行都是單獨的記錄，列標題是字段名稱-基本上是電子表格。而當數據過于復雜而無法容納到單個表中，我們將轉移到關系數據庫-通過字段鏈接的多個表。

構建關系數據庫需要了解數據結構的人員。并且，當添加新信息，或者新的關系變得重要，則數據庫管理員將需要更改數據庫的結構，并且很可能還要更新用戶界面。

那么，如果數據集無法提前映射關系，該怎么辦?人們是否可以通過你無法提前預測的事物進行連接，而不是通過單個數據點進行連接?

[[317075]]

也許兩個人在同一棒球隊中，或者喜歡相同類型的書籍，或者住在同一座城市。對于數據庫管理員來說，添加這些項目為單獨的字段并為其創建新關系可能是一項非常耗時且永無止境的任務。

其中一種解決方案是圖形數據庫。

在圖形數據庫中，任何數據點都可以連接到任何其他數據點，并且業務用戶可以在任何時候建立連接，而無需數據庫管理員重寫整個架構。

圖形數據庫被設計為具有可擴展性，使其非常適合現在的大數據應用程序。而且它們速度很快，使用戶可沿著連接鏈快速移動，從而使企業可以更快更高效地獲得見解。

塔夫茨大學工程學院研究生院院長兼IEEE研究員Karen Panetta說：“在常規的關系數據庫中，如果我想添加一些東西或更改關系，我需要做很多計劃。圖形數據庫使你可以很快添加新的關系。”

下面是圖形數據庫的主要用例。

欺詐和異常

Panetta說，欺詐檢測是目前圖數據庫最強大的用例之一。

傳統的欺詐檢測方法依靠簡單的清單。例如，如果交易金額超過一定金額或涉及政府監視名單中的實體，則該交易是可疑的。這種簡單化的方法可能會錯過更多的細微欺詐嘗試，但旨在發現交易間異常連接的數據庫可能能夠識別這些欺詐行為。

例如，很多電子商務交易可能來自不同帳戶，但全部來自同一IP地址或IP地址群集。或者，可能會從同一社區提取幾筆相同的金額的現金，然后在同一天將現金存入不同的帳戶。

這些事務單獨來看可能沒有任何可疑跡象，但是關聯來看則需要引起注意。

Panetta說：“大型洗錢計劃可能會使用一個人的名字，另一個人的社會安全號碼，以及第三人的地址。你如何進行識別?圖表的結構使你可以將這些東西識別為異常，使我們能夠探索沒有意義的關系。”

我們不僅可以通過這種方式檢測到購物或銀行欺詐。在網絡安全中，企業可以通過尋找以不尋常方式關聯的事件集來防御黑客攻擊。

例如，當網絡安全供應商Brinqa使用的關系數據庫達到其靈活性極限時，便切換到Neo4j圖形數據庫系統。

Brinqa公司產品總監Syed Abdur Ra​​hman說：“我們的平臺是動態的，但是不足以處理所有類型的情況。而使用圖數據庫，你可以動態定義模式，你可以定義節點和關系。你不必提前定義它，你可以在引入數據時做到這一點。”

推薦引擎

不尋常的連接也可能是積極的事情。現在的高級推薦引擎會基于與其他事務的連接，推薦音樂、書籍、電影、衣服以及其他產品和服務。它們可以超越簡單的直接的連接。

例如，購買狗糧的人也可能會購買狗項圈，也許他們還會對舒適的步行鞋或沙發套感興趣。

推薦引擎開始出現在很多不同的地方，而不僅僅是流應用程序和電子商務網站。

Fabric是關聯品牌與客戶的消費者數據市場，它使用圖形數據庫來減少新功能、界面和分析的開發時間。

Fabric公司創始人兼首席執行官Paul Taylor說：“對于90%的新興企業項目，圖形數據庫比關系數據庫要好。”

圖形數據庫代替傳統的關系數據庫還可以減少對中間件的需求。“圖形是強大的基礎。”

他說，但這并不意味著它們適用于所有用例。

他說：“圖形不太適合寫入繁重型應用程序，在這些應用程序中，整個生命周期僅需要進行幾次數據查詢。”

數據同步

歐洲的通用數據保護條例(GDPR)和《加州消費者隱私法》等隱私法規要求企業能夠匯總他們所收集的所有個人數據，并根據要求將其刪除。由于企業通常將這些信息存儲在不同的數據孤島中，因此這可能是一項艱巨的任務。

但不僅僅是合規性要求讓企業希望鏈接不同的數據集。數字服務咨詢公司Nerdery數據科學總監Justin Richie表示，可穿戴設備公司、IoT供應商、醫療保健公司和金融公司都需要這種技術。

他說：“圖形數據庫最常用于實時數據同步。”

展望未來

塔夫茨大學的Panetta說，圖形數據庫仍處于起步階段，我們將會看到更多的應用程序涌現。

她預測，圖形數據庫的未來用例將包括提升AI到新的水平。

她說：“我們現在對數據進行人工智能的方法是使用老式的關系數據庫。”但是，人工智能是基于關系的。“圖形數據庫將幫助構建更好的AI系統。”