Compatibilité de Neptune avec Neo4j

LOAD CSV : Neptune a une approche architecturale différente de celle de Neo4j pour charger les données. Pour permettre une meilleure mise à l'échelle et une meilleure optimisation des coûts, Neptune met en œuvre une séparation des problèmes relatifs aux ressources et recommande d'utiliser l'une des intégrations de services AWS (par exemple, AWS Glue) afin d'exécuter les processus ETL requis pour préparer les données dans un format pris en charge par le chargeur en bloc Neptune.

Une autre option consiste à faire la même chose en utilisant du code d'application exécuté sur des ressources de calcul AWS telles que les instances Amazon EC2, les fonctions Lambda, Amazon Elastic Container Service, les tâches AWS Batch, etc. Le code peut utiliser le point de terminaison HTTPS de Neptune ou le point de terminaison Bolt.

Contrôle d'accès précis : Neptune prend en charge le contrôle d'accès granulaire des actions d'accès aux données à l'aide de clés de condition IAM. Un contrôle d'accès précis supplémentaire peut être mis en œuvre au niveau de la couche application.

Neo4j Fabric : Neptune prend en charge la fédération de requêtes entre les bases de données pour les charges de travail RDF à l'aide du mot clé SPARQL SERVICE. Comme il n'existe pas actuellement de norme ou de spécification ouverte pour la fédération de requêtes pour les charges de travail des graphes de propriétés, cette fonctionnalité devrait être implémentée au niveau de la couche application.

Contrôle d'accès basé sur les rôles (RBAC) : Neptune gère l'authentification en attribuant des politiques et des rôles IAM. Les politiques et les rôles IAM fournissent un niveau de gestion des utilisateurs extrêmement flexible au sein d'une application. Il est donc utile de lire et de comprendre les informations qui se trouvent dans la présentation d'IAM avant de configurer le cluster.

Signets : les clusters Neptune se composent d'une seule instance d'enregistreur et de jusqu'à 15 instances de réplica en lecture. Les données écrites dans l'instance d'enregistreur sont conformes à la norme ACID et offrent une solide garantie de cohérence lors des lectures ultérieures. Les réplicas en lecture utilisent le même volume de stockage que l'instance d'enregistreur et sont cohérentes à terme, généralement en moins de 100 ms à partir du moment où les données sont écrites. Si votre cas d'utilisation nécessite immédiatement de garantir la cohérence de lecture des nouvelles écritures, ces lectures doivent être dirigées vers le point de terminaison du cluster plutôt que vers le point de terminaison du lecteur.

Procédures APOC  étant donné que les procédures APOC ne sont pas incluses dans la spécification openCypher, Neptune ne fournit pas de prise en charge directe pour les procédures externes. Neptune s'appuie plutôt sur des intégrations avec d'autres services AWS pour offrir des fonctionnalités similaires aux utilisateurs finaux de manière évolutive, sécurisée et robuste. Parfois, les procédures APOC peuvent être réécrites dans openCypher ou Gremlin, et certaines ne sont pas pertinentes pour les applications Neptune.

En général, les procédures APOC entrent dans les catégories ci-dessous :

Procédures personnalisées : Neptune ne prend pas en charge les procédures personnalisées créées par les utilisateurs. Cette fonctionnalité devrait être implémentée au niveau de la couche application.

Géospatiale : bien que Neptune ne fournisse pas de prise en charge native des fonctionnalités géospatiales, des fonctionnalités similaires peuvent être obtenues grâce à l'intégration avec d'autres services AWS, comme l'illustre le billet de blog Combine Amazon Neptune and Amazon OpenSearch Service for geospatial queries de Ross Gabay et Abhilash Vinod (1er février 2022).

Science des données graphiques : Neptune prend aujourd’hui en charge l’analyse de graphes par le biais de Neptune Analytics, un moteur optimisé pour la mémoire qui prend en charge une bibliothèque d’algorithmes d’analyse de graphes.

Neptune propose aussi une intégration avec le kit SDK AWS Pandas et plusieurs exemples de blocs-notes qui montrent comment tirer parti de cette intégration dans les environnements Python pour exécuter des analyses sur des données de graphe.

Contraintes de schéma : dans Neptune, la seule contrainte de schéma disponible est l'unicité de l'ID d'un nœud ou d'une arête. Aucune fonctionnalité ne permet de spécifier d'autres contraintes de schéma ni de contraintes d'unicité ou de valeur supplémentaires sur un élément du graphe. Les valeurs d'ID dans Neptune sont des chaînes et peuvent être définies à l'aide de Gremlin, comme ceci :

g.addV('person').property(id, '1') )

Les applications qui doivent utiliser l'ID comme contrainte d'unicité sont encouragées à essayer cette approche pour obtenir une contrainte d'unicité. Si l'application utilisait plusieurs colonnes comme contrainte d'unicité, l'ID peut être défini sur une combinaison de ces valeurs. Par exemple, id=123, code='SEA' pourrait être représenté comme ID='123_SEA' pour obtenir une contrainte d'unicité complexe.

Architecture mutualisée : Neptune ne prend en charge qu'un seul graphe par cluster. Pour créer un système multilocataire à l'aide de Neptune, utilisez plusieurs clusters ou partitionnez logiquement les locataires au sein d'un seul graphe et appliquez la séparation avec la logique côté application. Par exemple, ajoutez une propriété tenantId et incluez-la dans chaque requête, comme suit :

MATCH p=(n {tenantId:1})-[]->({tenantId:1}) RETURN p LIMIT 5)

Neptune sans serveur facilite la mise en œuvre de l'architecture mutualisée à l'aide de plusieurs clusters de bases de données, chacun étant mis à l'échelle indépendamment et automatiquement selon les besoins.

Navigateur Neo4j : Neptune offre des blocs-notes de graphe open source qui fournissent un IDE axé sur les développeurs pour exécuter des requêtes et visualiser les résultats.

Neo4j Bloom : Neptune prend en charge les visualisations de graphe enrichies à l'aide de solutions de visualisation tierces telles que Graph-explorer, Tom Sawyer, Cambridge Intelligence, Graphistry, metaphacts et G.V().

GraphQL : Neptune prend actuellement en charge GraphQL via des intégrations AWS AppSync personnalisées. Consultez le billet de blog Build a graph application with Amazon Neptune and AWS Amplify, ainsi que l'exemple de projet de création d'une application sans serveur de suivi des calories avec AWS AppSync et Amazon Neptune (langue française non garantie).

NeoSemantics : Neptune prend en charge le modèle de données RDF en mode natif. Il est donc conseillé aux clients souhaitant exécuter des charges de travail RDF d'utiliser la prise en charge des modèles RDF de Neptune.

Arrows.app : le chiffrement créé lors de l'exportation du modèle à l'aide de la commande d'exportation est compatible avec Neptune.

Linkurious Ogma : un exemple d'intégration avec Linkurious Ogma est disponible ici.

Spring Data Neo4j : n'est actuellement pas compatible avec Neptune.

Connecteur Neo4j Spark : le connecteur Neo4j Spark peut être utilisé dans une tâche Spark pour se connecter à Neptune à l'aide d'openCypher. Voici un exemple de code et un exemple de configuration d'application :

Exemple de code :

SparkSession spark = SparkSession
            .builder()
            .config("encryption.enabled", "true")
            .appName("Simple Application").config("spark.master", "local").getOrCreate();

Dataset<Row> df = spark.read().format("org.neo4j.spark.DataSource")
            .option("url", "bolt://(your cluster endpoint):8182")
            .option("encryption.enabled", "true")
            .option("query", "MATCH (n:airport) RETURN n")
            .load();
            
System.out.println("TOTAL RECORD COUNT: " + df.count());
spark.stop();

Configuration de l'application :

<dependency>
    <groupId>org.neo4j</groupId>
    <artifactId>neo4j-connector-apache-spark_2.12-4.1.0</artifactId>
    <version>4.0.1_for_spark_3</version>
</dependency>