Các tính năng của Amazon Neptune

Với Cơ sở dữ liệu Neptune, bạn có thể tăng thông lượng đọc để hỗ trợ yêu cầu ứng dụng dung lượng cao bằng cách tạo tối đa 15 bản sao cơ sở dữ liệu chỉ có quyền đọc. Bản sao Neptune có cùng bộ lưu trữ cơ bản với phiên bản nguồn, giúp giảm chi phí và loại bỏ nhu cầu thực hiện thao tác ghi tại các nút bản sao. Điều này nâng cao năng lực xử lý để phục vụ yêu cầu đọc và giảm thời gian trễ của bản sao, thường xuống chỉ còn vài mili giây. Neptune cũng cung cấp một điểm cuối cho truy vấn đọc, vì vậy, ứng dụng có thể kết nối mà không phải theo dõi khi thêm và xóa bản sao.

Neptune hỗ trợ các hoạt động nhân bản nhanh chóng và hiệu quả, trong đó toàn bộ cụm cơ sở dữ liệu nhiều terabyte có thể được nhân bản trong vài phút. Nhân bản là hoạt động rất hữu ích cho một số mục đích, trong đó có phát triển ứng dụng, kiểm thử, cập nhật cơ sở dữ liệu và chạy các truy vấn phân tích. Độ sẵn sàng tức thì của dữ liệu có thể tăng tốc đáng kể quá trình phát triển phần mềm và nâng cấp dự án, đồng thời giúp các phân tích chính xác hơn.

Bạn có thể nhân bản cơ sở dữ liệu Neptune chỉ với một vài bước trong bảng điều khiển mà không ảnh hưởng đến môi trường sản xuất. Bản sao được phân phối và sao chép trên ba Vùng sẵn sàng.

Công cụ Phân tích trên Neptune hỗ trợ các thuật toán để tìm đường dẫn, phát hiện cộng đồng (phân cụm), xác định dữ liệu quan trọng (tính trung tâm) và định lượng độ tương đồng. Các thuật toán tìm đường dẫn xác định hiệu quả tuyến đường ngắn nhất hoặc tối ưu giữa hai nút. Các thuật toán tìm đường dẫn cho phép bạn mô hình hóa các tình huống trong thế giới thực, chẳng hạn như mạng lưới đường sá hoặc mạng xã hội, dưới dạng các nút và biên được kết nối với nhau. Tìm đường dẫn ngắn nhất hoặc tối ưu giữa nhiều điểm khác nhau là việc rất quan trọng trong các ứng dụng như lập kế hoạch tuyến đường cho hệ thống GPS, tối ưu hóa kho vận và thậm chí trong việc giải quyết các vấn đề phức tạp trong những lĩnh vực như sinh học hoặc kỹ thuật.

Các thuật toán phát hiện cộng đồng tính toán các nhóm hoặc cụm nút có ý nghĩa trong mạng, cho thấy các mẫu và cấu trúc ẩn có thể cung cấp thông tin chi tiết về tổ chức và động lực của các hệ thống phức tạp. Điều này có giá trị trong các lĩnh vực như phân tích mạng xã hội, sinh học (để xác định các mô-đun chức năng trong mạng tương tác protein-protein) và thậm chí trong việc hiểu luồng thông tin và sự lan truyền ảnh hưởng trong nhiều lĩnh vực khác nhau.

Các thuật toán tính trung tâm giúp xác định các nút có ảnh hưởng nhất hoặc quan trọng nhất trong mạng, cung cấp thông tin chi tiết về những tác nhân chính hoặc các điểm tương tác quan trọng. Điều này có giá trị trong các lĩnh vực như phân tích mạng xã hội khi giúp xác định chính xác các cá nhân có ảnh hưởng hoặc trong các mạng lưới giao thông khi hỗ trợ xác định các trung tâm quan trọng để định tuyến và phân bổ nguồn lực một cách hiệu quả.

Các thuật toán về độ tương đồng đồ thị cho phép bạn so sánh và phân tích những điểm tương đồng hoặc khác biệt về cấu trúc giữa các cấu trúc đồ thị khác nhau, giúp chúng ta hiểu sâu sắc về các mối quan hệ, mẫu và điểm chung trên các tập dữ liệu đa dạng. Điều này vô cùng có giá trị trong nhiều lĩnh vực khác nhau như sinh học (để so sánh cấu trúc phân tử), mạng xã hội (để xác định các cộng đồng tương tự) và hệ thống khuyến nghị (để đề xuất các mục tương tự dựa trên tùy chọn của người dùng).

Neptune ML được cung cấp bởi SageMaker, sử dụng GNNs, một kỹ thuật ML được xây dựng theo mục đích cho đồ thị, để đưa ra dự đoán nhanh chóng và chính xác hơn bằng cách sử dụng dữ liệu đồ thị. Với Neptune ML, bạn có thể cải thiện độ chính xác của hầu hết các dự đoán cho đồ thị thêm hơn 50% khi so sánh với việc đưa ra dự đoán bằng cách sử dụng các phương pháp không dùng đồ thị.

Việc đưa ra dự đoán chính xác trên các biểu đồ với hàng tỷ mối quan hệ có thể khó khăn và tốn thời gian. Các phương pháp tiếp cận máy học hiện có như XGBoost không thể hoạt động hiệu quả trên đồ thị vì được thiết kế cho dữ liệu dạng bảng. Do đó, việc sử dụng các phương pháp này trên đồ thị có thể mất thời gian, yêu cầu các kỹ năng chuyên sâu từ các nhà phát triển và đưa ra các dự đoán không tối ưu.