图数据库基准测试 LDBC SNB 系列讲解：Schema 和数据生成的机制

 LDBC（Linked Data Benchmark Council）Social Network Benchmark，简称 LDBC SNB，是一种针对社交网络场景的评估图数据库性能的基准测试。 ## LDBC 简介 除了 Social Network Benchmark，LDBC 旗下目前还有其他几种基准测试：Graphalytics Benchmark，Financial Benchmark 和 Semantic Publish Benchmark，分别针对图分析、金融和 RDF 的场景。Social Network Benchmark 是 LDBC 最早的提出的基准测试，已经成为国内外最主流的图数据库基准测试，在国内很多图数据库招标也会将 LDBC SNB 作为性能测试的一项。但需要说明的是，LDBC 本身作为一个非盈利组织，只提供官方审计。**不同图数据库可能受到运行环境以及基准测试的相关参数影响，因此测试结果的横向对比没有任何意义**。 LDBC SNB 主要包括三个主要部分： 1. **Data Generator**：这是一个数据生成工具，用于生成具有社交网络特性的大规模复杂数据。这些数据包括人、帖子、评论、地理位置、组织和其他一些社交网络的典型实体和关系。 2. **Interactive Workload**：主要针对 OLTP，模拟了用户在社交网络上的日常活动，例如发布帖子、添加好友、点赞等。读请求以查询以一到两跳为主，同时可能会伴随一些写请求。 3. **Business Intelligence Workload**：主要针对 OLAP，模拟了对社交网络数据进行深入分析，以全图查询为主。例如分析用户的社交行为、社区的形成和演变，以及其他一些需要复杂分析和大量数据处理的任务。 > [LDBC SNB](https://ldbcouncil.org/docs/papers/ldbc-snb-interactive-sigmod-2015.pdf) 的论文里还提到了一个 SNB Algorithms，顾名思义主要是跑图算法的，如 PageRank、社区发现、广度搜索等。但论文是 2015 年发表的，当时描述这个场景还在起草中，目前已经将这部分移到了 Graphalytics Benchmark。 此外，想要运行 LDBC SNB 测试，还需要一个官方提供的 Driver。不同的数据库需要基于 Driver 的接口实现相应的 Connector，用来连接 Driver 和数据库。之后 Driver 会根据 Benchmark 的相关参数生成 Workload（这里可以理解为一系列的查询语句），并驱动待测数据库执行这些查询语句，最终得到性能测试结果。 整个 LDBC SNB 基准测试的流程如下，主要分成**准备阶段**、**基准测试**、**结果输出**这三个阶段。 准备阶段主要执行数据生成，包括初次导入的全量数据，以及后续实时更新的数据。此外在官方审计中，还需要在 SF10 Dataset 上进行 Validation，因此这一阶段也会生成用于校验的数据。 基准测试阶段会先在 SF10 Dataset（在本文文末介绍了何为 SF）上进行 Validation，之后会在 SF30 或者 SF100 Dataset 进行性能测试。Validation 的过程就是在数据导入之后，由 Driver 根据之前准备阶段的一系列 query 和期望结果，对数据库的查询结果进行校验，以确保数据库的查询结果正确。Validation 的这个过程没有时间要求。而之后的性能测试分为导入、预热、性能测试，数据库可以有 30 分钟的预热时间，而在性能测试至少要持续两个小时，最终将测试结果汇总并输出。  由于篇幅限制，我们这一系列重点介绍 SNB Interactive Workload 相关内容。这一篇，我们主要会结合论文，介绍 SNB 的 Schema 以及数据生成，也就是准备阶段。 ## LDBC SNB Schema 生成 > 为了和 SNB 中的数据命名统一，本文相关名称我会用英文，所以读起来可能会有些怪怪的。为了降低理解成本，每个英文单词首次出现后面会跟随对应的中文注释讲解。 SNB 的数据主要是模拟了一个类似 Facebook 的社交网络。其中数据都是围绕 `Person`（人）构建而来，`Person` 之间会构成 `Friendship`（情谊）网络。每个 `Person` 可能会有若干 `Forum`（特定讨论区），`Person` 可以在 `Forum` 中下面发送若干 `Post`（帖子），其他 `Person` 可能会 `likes`（点赞）其中一些 `Message`（消息）。 以上这些元素的数据量主要会受 `Person` 和时间的影响： * 有更多朋友的人会发送更多的评论或点赞 * 时间越长，会结交更多的朋友，评论或点赞数量也会上升 还有一部分数据不会随 `Person` 数量而变化，主要包括一些 `Organization`（组织，这里主要是学校）以及 `Place`（地方，这里主要是居住城市、国家等地理信息）。这部分数据会在数据生成时起一些作用，比如在同一时期在同一个学校上学的人更有可能称为朋友。 SNB 的完整 Schema 如下图所示：  大多数图数据库在进行测试时候，会将实体建模为点，而不同关系会建模为边。但这只是一个惯例，**SNB 的数据建模和实际数据库中的 Schema 可以不同，只要数据库能够完成相应 Workload 的查询即可**。 ## LDBC SNB 数据生成 SNB 的一个重要部分是 Data Generator（下文称为 DataGen），用来生成满足上面 Schema 的数据。Generator 生成的数据由以下三个参数决定： 1. `Person` 的个数 2. 模拟多少年的数据 3. 从哪一年开始模拟 根据官方文档，DataGen 生成的数据有以下性质： * **现实性**：生成数据模拟了一个真实的社交网络。一方面，生成数据中的属性、基数、数据相关性和分布经过精心设置，从而能够模拟 Facebook 等真实社交网络。另一方面，其原始数据来自于 [DBpedia](https://zh.wikipedia.org/zh-cn/DBpedia)，保证数据中的属性值真实且相关。 * **可扩展性**：针对不同规模和预算的系统，DataGen 能够生成不同大小的数据集（GB 到 TB 级），此外 DataGen 可以在单机，或者是一个集群中完成数据生成。 * **确定性**：无论用来生成数据的机器数量多少、机器配置是高还是低，DataGen 生成的数据都是确定且相同的。这一重要功能确保了任意一个数据系统都能使用相同的数据集，保证不同系统环境之间的测评比较公平且基准测试结果可重复。 * **易用性**：DataGen 被设计得尽可能易于使用。 整个数据生成的流程图如下所示，我们会分解为几部分介绍：  ### 生成属性分布 第一步是初始化。DataGen 使用的原始数据来自于 DBpedia，针对每一个属性，DataGen 会根据以下方面决定属性的分布： * 有多少种可能的属性值 * 每一种属性值出现的概率 最终将属性的分布情况作为资源文件以及 DataGen 的参数保存下来。 ### 生成 Person 和 Friendship 前面也提到过，SNB 的 Schema 的核心是 `Person`，这也体现在数据生成过程中。接下来 DataGen 就会生成所有 `Person`，以及 `Person` 中一部分后续操作所需要的信息，比如每个 `Person` 有多少 `Friendship`（这个值非常重要，其分布满足 Power law（幂定律）），`Person` 所就读的大学，`Person` 所就职的公司等。 接下来，DataGen 会创建每个 `Person` 的 `Friendship` 关系（即流程图中的 `knows`）。和真实社交网络一样，有相同兴趣或者行为的人，很有可能会连接在一起。为了模拟这样的社交网络，SNB 在生成 `Friendship` 时会考虑以下三个维度： 1. `Person` 所就读的大学，就读时间，以及大学所在城市 2. `Person` 的兴趣 3. 每个 `Person` 会生成一个随机值，随机值越相近代表其越类似（这是为了模拟不是所有朋友都是通过大学和兴趣结交的） 三个维度分别占每个 `Person` 的 `Friendship`关系权重的 45%，45% 和 10%，也就将 `Person` 之间建边的过程分成了三个子步骤。 DataGen 会依次根据三个维度将所有 `Person` 进行排序（每次只按一个维度进行排序），然后将排序过后的 `Person` 切分为不相交的多个部分，分发给不同 Worker 进程。即便是切分之后，每个 Worker 线程负责的 `Person` 可能也可能超过内存大小。因此，Worker 线程会维护一个滑动窗口，滑动窗口内的 `Person` 之间建立 `Friendship` 关系的概率满足几何分布。 如下图所示：  假设现在根据就读大学这个维度进行了排序，得到了一个 `Person` 有序序列。之后 Worker 就会维护一个滑动窗口，每次为滑动窗口最左侧的人生成 `Friendship` 关系（上图当前是 P2），滑动窗口内的其他人和窗口第一个人建立 `Friendship` 的比例满足几何分布。 直到滑动窗口的第一个人建立了足够多的 `Friendship` 之后，滑动窗口的起点会移到下一个人。 > 这里没有深究滑动窗口的大小、几何分布的参数甚至是随机生成器的参数，不知道在出现滑动窗口内无法生成足够多 Friendship 关系时，DataGen 如何处理。 将三个维度都经过排序、分发、按滑动窗口建边之后，DataGen 就进入了下一阶段。 ### 生成社交活动 生成完 `Person` 和 `Friendship` 之后，DataGen 就开始生成每个 `Person` 的社交活动，包括 `Forum`，`Post` 和 `Comment`。这部分数据也有一些相关性存在： 1. 有越多 `Friendship` 的 `Person` 在社交网络上会越活跃 2. 每个 `Person` 更可能在自己感兴趣或者就读大学相关的 `Forum` 进行 `Post` 或者 `Comment` 3. 社交活动和时间是有相关性的，比如接近世界杯，足球相关的讨论就会激增 ### 最终输出 经过以上步骤之后，DataGen 完成了数据生成，模拟的社交网络图会分成两部分进行输出： * Dataset：90% 的数据用于初始导入 * Update Streams：10% 的数据用于后续实时更新 除此之外，还会生成后续 Workload 中请求的参数（主要是起点）。关于参数生成我们会在下一篇详细解释，这里简单描述一下 SNB 的读请求 Workload。Interactive Workload 主要的查询希望在一秒以内得到查询结果，所有读 query 都是从图中的一个点出发，获取很小一部分的子图信息。另外，因不同起点的出入度不同，基本上也就决定了这次读请求会访问的数据量。 为了测试不同系统和场景，SNB 定义了比例因子（Scale Factor，即所谓的 SF）用来控制最终生成的数据量大小。比如，SF1 原始数据大小为 1 GB，同理 SF0.1 和 SF300 的大小为 100 MB 和 300 GB。不同比例因子的各个类型的点边数据量如下表所示：  最终生成的 Dataset 分为两大类：Static 和 Dynamic，格式都是 CSV。根据 DataGen 配置的线程数量大小，最终生成的数据也会分为多个分片。Static 包含 `Organization`、`Place`、`Tag` 等，都是基于 DBpedia 生成的静态数据，其数量不会随着比例因子变化而变化。换而言之，这部分数据与 `Person` 的个数无关。而 Dynamic 部分主要包括 `Person`、`knows`（即前面数据生成部分描述的 `Friendship`）、`Forum`、`Post` 和 `Comment` 等。 而 Update Streams 中包含了所有更新的操作，主要就是模拟实时注册新用户、评论、点赞、加好友等等行为。 ## Reference 到这里准备阶段大概就介绍完了，在准备阶段最终生成的请求参数部分我们会在下一篇讲述Workload时再展开。 * [ldbc-snb-interactive-sigmod-2015.pdf (ldbcouncil.org)](https://ldbcouncil.org/docs/papers/ldbc-snb-interactive-sigmod-2015.pdf) * [The LDBC Social Network Benchmark Specification](https://arxiv.org/pdf/2001.02299.pdf) > 关于 NebulaGraph > NebulaGraph 是一款开源的分布式图数据库，自 2019 年开源以来，先后被美团、京东、360 数科、快手、众安金融等多家企业采用，应用在智能推荐、金融风控、数据治理、知识图谱等等应用场景。GitHub 地址：[https://github.com/vesoft-inc/nebula](https://github.com/vesoft-inc/nebula) 作者：[critical27](https://discuss.nebula-graph.com.cn/u/critical27/summary)