Analitik Graf Berbasis Inti Relasional: Menjalankan kueri graf pada skala SQL, dan mengapa model node/edge merupakan beban kinerja, bukan gambaran data terhubung yang lebih akurat

Terdapat asumsi yang bertahan lama bahwa analitik graf memerlukan mesin graf yang dibangun khusus, dan bahwa sistem relasional tidak cocok untuk data terhubung. Makalah ini berargumen sebaliknya untuk beban kerja yang sebenarnya dijalankan perusahaan. Klaim utamanya ada dua: pertama, mesin relasional kolumnar yang dihadapkan pada bahasa kueri graf menyamai atau melampaui mesin graf native pada kueri graf analitis, dan — secara menentukan — berskala melewati titik di mana mesin graf in-memory gagal. Kedua, graf properti node/edge bukanlah model data terhubung yang lebih setia, melainkan pengodean ulang relasi yang sudah ada secara eksplisit dalam tabel relasional; merekonstruksinya saat kueri adalah overhead murni.

Para penulis memperkenalkan ClickGraph dan saudaranya berdialek Databricks, DeltaGraph, sistem yang menerjemahkan Cypher langsung ke skema relasional native — tabel, kolom, dan foreign key sebagaimana sudah ada — dan mengeksekusi di tempat pada ClickHouse, Databricks, atau in-process pada berkas lakehouse, tanpa impor dan tanpa kluster terpisah. Karena keluarannya adalah SQL biasa, kueri yang berkinerja buruk menjadi permukaan optimasi yang terbuka: kueri dapat ditulis u

Hasilnya disajikan pada dua tingkat: kinerja komparatif dan skalabilitas. Benchmark terbitan sistem sejawat menunjukkan mesin kolumnar mengungguli Neo4j sebesar dua hingga empat orde besaran. Ini adalah margin yang mencolok, dan secara langsung menantang asumsi bahwa mesin graf native diperlukan untuk kueri graf analitis. Para penulis juga melaporkan pengukuran yang dapat direproduksi pada rangkaian LDBC Social Network Benchmark, yang menguatkan klaim bahwa mesin relasional kolumnar yang dihadapkan pada bahasa kueri graf menyamai atau melampaui mesin graf native.

Yang krusial, hasilnya menekankan skalabilitas: pendekatan relasional berskala melewati titik di mana mesin graf in-memory gagal. Mesin graf in-memory dibatasi oleh memori satu mesin atau kluster, dan seiring bertambahnya ukuran graf, mereka要么 melimpah ke disk (dengan penalti kinerja yang berat) atau gagal sepenuhnya. Mesin relasional kolumnar, sebaliknya, dirancang untuk eksekusi out-of-core dan pemrosesan terdistribusi, sehingga mampu menangani graf yang melebihi memori.

Keunggulan kinerja dapat dinyatakan dalam hal overhead model node/edge. Jika skema relasional sudah menyimpan relasi secara eksplisit, maka merekonstr