Amazon Neptune 功能

通过 Neptune 数据库，您可以创建多达 15 个数据库只读副本，从而增加读取吞吐量以支持大量应用程序请求。Neptune 副本与源实例共用同一个底层存储，从而降低成本并消除在副本节点中执行写入操作的需要。这将释放更多的处理能力来提供读取请求并降低副本滞后时间，通常可降低到几毫秒。Neptune 还为读取查询提供单个端点，因此，应用程序不必在添加和删除副本时对这些副本进行跟踪，即可建立连接。

Neptune 支持快速高效的克隆操作，可在数分钟内克隆完整的数 TB 数据库集群。克隆可用于实现许多目的，其中包括应用程序开发、测试、数据库更新以及运行分析查询。如果数据立即可用，将能够大幅加快软件开发和升级项目，并提高分析准确度。

只需在控制台中执行几项操作，即可克隆 Neptune 数据库，且不会影响生产环境。克隆跨 3 个可用区分布和复制。

Neptune Analytics 支持用于路径查找、检测社区（聚类）、识别重要数据（中心性）和量化相似度的算法。路径查找算法可以有效地确定两个节点之间的最短或最优路线。路径查找算法允许您将现实情况（例如，道路网络或社交网络）建模为相互连接的节点和边缘。在 GPS 系统的路线规划、物流优化甚至是解决生物学或工程等领域的复杂问题之类的应用中，找到各个点之间的最短或最优路线至关重要。

社区检测算法计算出网络中有意义的节点组或集群，揭示隐藏的模式和结构，通过这些模式和结构可以深入了解复杂系统的组织和动态。这在社交网络分析、生物学（用于鉴别蛋白质-蛋白质相互作用网络中的功能模块）等领域甚至是在理解各个领域的信息流和影响传播方面都很有价值。

中心性算法有助于识别网络中最具影响力或最重要的节点，从而提供对关键参与者或关键交互点的见解。这在社交网络分析等领域很有价值，它可以帮助精确定位有影响力的个人，或者在交通网络中，它有助于确定高效路线和资源分配的关键枢纽。

图形相似度算法允许您比较和分析不同图形结构之间的结构相似之处或不同之处，从而深入了解不同数据集之间的关系、模式和共同点。这在生物学（用于比较分子结构）、社交网络（用于识别相似社区）和推荐系统（用于根据用户偏好推荐相似项目）等各种领域都极有价值。

Neptune ML 由 SageMaker 提供支持，它使用 GNN（一种专为图表设计的机器学习技术）使用图形数据进行快速、更准确的预测。与使用非图形方法进行预测相比，使用 Neptune ML 后，大多数图形预测的准确性可以提高 50% 以上。

对具有数十亿关系的图形进行准确预测可能会很困难且耗时。现有的 ML 方法（如 XGBoost）无法有效作用于图形，因为它们专为表格数据而设计。因此，针对图形使用这些方法可能要耗费大量的时间，需要开发人员的专业技能并产生次优预测。