- ฐานข้อมูล›
- Amazon Neptune›
- คุณสมบัติ
คุณสมบัติของ Amazon Neptune
ประสิทธิภาพและความสามารถในการปรับขนาดสูง
เปิดทั้งหมดNeptune Database ช่วยให้คุณสามารถเพิ่มอัตราการโอนถ่ายข้อมูลการอ่านเพื่อรองรับคำขอแอปพลิเคชันปริมาณมากโดยสร้างแบบจำลองการอ่านฐานข้อมูลสูงสุดถึง 15 ชุด แบบจำลอง Neptune ใช้พื้นที่จัดเก็บพื้นฐานเดียวกันกับอินสแตนซ์ต้นทาง ช่วยลดค่าใช้จ่าย และหลีกเลี่ยงความจำเป็นในการเขียนที่โหนดแบบจำลอง ทำให้พลังในการประมวลผลเพิ่มขึ้นเพื่อรองรับคำขออ่าน และลดเวลาหน่วงของแบบจำลอง ซึ่งมักจะลดลงเหลือหลักหน่วยมิลลิวินาที Neptune ยังมีตำแหน่งข้อมูลเดี่ยวสำหรับการสืบค้นการอ่าน เพื่อให้แอปพลิเคชันสามารถเชื่อมต่อได้โดยไม่จำเป็นต้องติดตามแบบจำลองเมื่อมีการเพิ่มและลบออก
ความพร้อมใช้งานและความคงทนสูง
เปิดทั้งหมดระบบมีความปลอดภัยสูง
เปิดทั้งหมดประหยัดและคุ้มค่า
เปิดทั้งหมดการจัดการแบบเต็มรูปแบบ
เปิดทั้งหมดNeptune รองรับการโคลนที่รวดเร็วและมีประสิทธิภาพ ซึ่งสามารถโคลนคลัสเตอร์ฐานข้อมูลมัลติเทราไบต์ทั้งหมดได้ในไม่กี่นาที การโคลนมีประโยชน์สำหรับวัตถุประสงค์หลายประการ รวมถึงการพัฒนาแอปพลิเคชัน การทดสอบ การอัปเดตฐานข้อมูล และการเรียกใช้การสืบค้นเชิงวิเคราะห์ ความพร้อมใช้งานของข้อมูลในทันทีสามารถช่วยเร่งการพัฒนาซอฟต์แวร์และการอัปเกรดโปรเจกต์ของคุณได้อย่างมาก และทําให้การวิเคราะห์แม่นยํายิ่งขึ้น
คุณสามารถโคลนฐานข้อมูล Neptune ได้ด้วยขั้นตอนเพียงไม่กี่ขั้นตอนในคอนโซล โดยไม่ส่งผลกระทบต่อสภาพแวดล้อมการผลิต โคลนมีการกระจายและจำลองแบบไปทั่วสาม AZ
AI ช่วยสร้าง และ ML
เปิดทั้งหมดNeptune Analytics รองรับอัลกอริทึมสําหรับการค้นพบเส้นทาง การตรวจจับชุมชน (การจัดกลุ่ม) การระบุข้อมูลสําคัญ (ศูนย์กลาง) และการหาปริมาณความคล้ายคลึงกัน อัลกอริธึมการค้นพบเส้นทางจะกําหนดเส้นทางที่สั้นที่สุดหรือเหมาะสมที่สุดระหว่างสองโหนดได้อย่างมีประสิทธิภาพ อัลกอริธึมการค้นพบเส้นทางช่วยให้คุณสามารถจําลองสถานการณ์ในโลกแห่งความเป็นจริง เช่น เครือข่ายถนนหรือเครือข่ายสังคมออนไลน์เป็นโหนดและ Edge ที่เชื่อมต่อกัน การค้นพบเส้นทางที่สั้นที่สุดหรือเหมาะสมที่สุดระหว่างจุดต่าง ๆ เป็นสิ่งสําคัญในการใช้งาน เช่น การวางแผนเส้นทางสําหรับระบบ GPS การเพิ่มประสิทธิภาพโลจิสติกส์ และแม้แต่ในการแก้ปัญหาที่ซับซ้อนในสาขาต่าง ๆ เช่น ชีววิทยาหรือวิศวกรรม
อัลกอริธึมการตรวจจับชุมชนจะคํานวณกลุ่มหรือคลัสเตอร์โหนดที่มีความหมายภายในเครือข่าย โดยเปิดเผยรูปแบบและโครงสร้างที่ซ่อนอยู่ ซึ่งสามารถให้ข้อมูลเชิงลึกเกี่ยวกับองค์กรและพลวัตของระบบที่ซับซ้อนได้ สิ่งนี้มีค่าในสาขาต่าง ๆ เช่น การวิเคราะห์เครือข่ายสังคม ชีววิทยา (สําหรับการระบุโมดูลการทํางานในเครือข่ายปฏิสัมพันธ์ระหว่างโปรตีนกับโปรตีน) และแม้แต่ในการทําความเข้าใจโฟลว์ของข้อมูล และมีอิทธิพลต่อการแพร่ในโดเมนต่าง ๆ
อัลกอริธึมส่วนกลางช่วยระบุโหนดที่มีอิทธิพลหรือสําคัญที่สุดภายในเครือข่าย ให้ข้อมูลเชิงลึกเกี่ยวกับผู้เล่นหลักหรือจุดสําคัญของการโต้ตอบ สิ่งนี้มีค่าในด้านต่าง ๆ เช่น การวิเคราะห์เครือข่ายสังคมออนไลน์ ซึ่งช่วยระบุบุคคลที่มีอิทธิพล หรือในเครือข่ายการขนส่งซึ่งช่วยในการระบุฮับที่สําคัญสําหรับการกําหนดเส้นทางและการจัดสรรทรัพยากรที่มีประสิทธิภาพ
อัลกอริธึมความคล้ายคลึงกันของกราฟช่วยให้คุณสามารถเปรียบเทียบและวิเคราะห์ความคล้ายคลึงหรือความแตกต่างระหว่างโครงสร้างกราฟที่แตกต่างกัน ทําให้สามารถเข้าใจความสัมพันธ์ รูปแบบ และลักษณะที่มีร่วมกันในชุดข้อมูลที่หลากหลาย สิ่งนี้มีค่าในด้านต่าง ๆ เช่น ชีววิทยา (สําหรับการเปรียบเทียบโครงสร้างโมเลกุล) เครือข่ายทางสังคม (สําหรับการระบุชุมชนที่คล้ายกัน) และระบบคําแนะนํา (สําหรับการแนะนํารายการที่คล้ายกันตามความต้องการของผู้ใช้)
Neptune ML ขับ เคลื่อนโดย SageMaker ซึ่งใช้ GNN ซึ่งเป็นเทคนิค ML ที่สร้างขึ้นโดยเฉพาะสำหรับกราฟ เพื่อทำการคาดการณ์ที่รวดเร็วและแม่นยำยิ่งขึ้นโดยใช้ข้อมูลกราฟ ด้วย Neptune ML คุณสามารถปรับปรุงความแม่นยำของการทำนายส่วนใหญ่สำหรับกราฟได้มากกว่า 50% เมื่อเปรียบเทียบกับการทำนายโดยใช้เมธอดที่ไม่ใช่กราฟ
การคาดการณ์ที่แม่นยําบนกราฟที่มีความสัมพันธ์นับพันล้านอาจเป็นเรื่องยากและใช้เวลานาน วิธีการ ML ที่มีอยู่เช่น XGBoost ไม่สามารถทํางานได้อย่างมีประสิทธิภาพบนกราฟเนื่องจากได้รับการออกแบบมาสําหรับข้อมูลแบบตาราง ด้วยเหตุนี้การใช้วิธีการเหล่านี้บนกราฟอาจต้องใช้เวลาต้องใช้ทักษะพิเศษจากนักพัฒนาและสร้างการคาดการณ์ที่ต่ํากว่าปกติ