Amazon Neptune 기능

Neptune Database을 통해 최대 15개의 데이터베이스 읽기 전용 복제본을 생성하여 대량의 애플리케이션 요청을 지원할 수 있도록 읽기 처리량을 늘릴 수 있습니다. Neptune 복제본은 소스 인스턴스와 동일한 기본 스토리지를 공유하여 비용을 낮추며 복제본 노드에서 쓰기를 수행할 필요가 없습니다. 이에 따라 남는 처리 용량을 읽기 요청에 사용하고 복제본 지연 시간을 줄일 수 있습니다(대개 10밀리초 미만으로). 또한 Neptune은 읽기 쿼리를 위한 단일 엔드포인트를 제공하기 때문에 애플리케이션을 추가하고 제거할 때 복제본을 추적하지 않고도 애플리케이션을 연결할 수 있습니다.

Neptune은 빠르고 효율적인 복제 작업을 지원하여 테라바이트 규모의 데이터베이스 클러스터 전체를 몇 분 만에 복제할 수 있습니다. 복제는 애플리케이션 개발, 테스트, 데이터베이스 업데이트 및 분석 쿼리 실행과 같은 다양한 목적에 유용합니다. 즉각적인 데이터 가용성으로 인해 소프트웨어 개발 및 프로젝트 업그레이드가 크게 가속화되고 분석이 더욱 정확해질 수 있습니다.

프로덕션 환경에 영향을 주지 않고 콘솔에서 몇 단계만 거치면 Neptune 데이터베이스를 복제할 수 있습니다. 복제본은 3개의 AZ에 분산되어 복제됩니다.

Neptune Analytics는 경로 찾기, 커뮤니티 탐지(클러스터링), 중요 데이터 식별(중심 집중성), 유사성 정량화를 위한 알고리즘을 지원합니다. 경로 찾기 알고리즘은 두 노드 간의 최단 경로 또는 최적 경로를 효율적으로 결정합니다. 경로 찾기 알고리즘을 사용하면 도로망이나 소셜 네트워크와 같은 실제 상황을 상호 연결된 노드 및 엣지로 모델링할 수 있습니다. 다양한 지점 간의 최단 경로 또는 최적의 경로를 찾는 것은 GPS 시스템의 경로 계획, 물류 최적화, 심지어 생물학이나 공학과 같은 분야의 복잡한 문제 해결 등의 응용 분야에서 매우 중요합니다.

커뮤니티 탐지 알고리즘은 네트워크 내의 의미 있는 노드 그룹 또는 클러스터를 계산하여 복잡한 시스템의 조직 및 역학에 대한 인사이트를 제공할 수 있는 숨겨진 패턴과 구조를 드러냅니다. 이는 소셜 네트워크 분석, 생물학(단백질-단백질 상호작용 네트워크의 기능 모듈 식별)과 같은 분야 뿐만 아니라 다양한 영역에서의 정보 흐름 및 영향 전파에 대한 이해에도 유용합니다.

중앙 집중식 알고리즘은 네트워크 내에서 가장 영향력 있거나 중요한 노드를 식별하여 주요 플레이어 또는 중요한 상호 작용 지점에 대한 인사이트를 제공합니다. 이는 영향력 있는 개인을 정확히 찾아내는 데 도움이 되는 소셜 네트워크 분석이나 효율적인 라우팅 및 리소스 할당을 위한 중요한 허브를 식별하는 데 도움이 되는 교통 네트워크와 같은 분야에서 유용합니다.

그래프 유사성 알고리즘을 사용하면 서로 다른 그래프 구조 간의 구조적 유사성 또는 비유사성을 비교 및 분석하여 다양한 데이터 세트의 관계, 패턴 및 공통점을 파악할 수 있습니다. 이는 생물학(분자 구조 비교용), 소셜 네트워크(유사 커뮤니티 식별용), 추천 시스템(사용자 선호도에 따른 유사 항목 제안) 등 다양한 분야에서 매우 유용합니다.

Neptune ML은 SageMaker에 의해 구동됩니다. SageMaker는 그래프용으로 특별히 설계된 ML 기술인 GNN을 사용하여 그래프 데이터를 사용하여 빠르고 정확한 예측을 수행합니다. Neptune ML은 비그래프 방식을 사용한 예측에 비해 대부분의 그래프 예측 정확도를 50% 이상 개선할 수 있습니다.

관계가 수십억 개인 그래프에서 정확히 예측하는 작업은 어렵고 시간이 많이 걸릴 수 있습니다. XGBoost와 같은 기존 ML 접근 방식은 테이블 형식의 데이터용으로 설계되었기 때문에 그래프에서는 효과적으로 작동하지 않을 수 있습니다. 따라서 이 방법을 그래프에서 사용하면 시간이 걸리고 전문 개발자 기술이 필요하며, 최적의 예측에 미치지 못할 수도 있습니다.