Kompatibilitas Neptunus dengan Neo4j

LOAD CSVNeptunus memiliki pendekatan arsitektur yang berbeda untuk memuat data dari Neo4j. Untuk memungkinkan penskalaan dan pengoptimalan biaya yang lebih baik, Neptunus menerapkan pemisahan kekhawatiran seputar sumber daya, dan merekomendasikan penggunaan salah AWS satu integrasi layananAWS Glue seperti untuk melakukan proses ETL yang diperlukan untuk menyiapkan data dalam format yang didukung oleh pemuat massal Neptunus.

Pilihan lain adalah melakukan hal yang sama menggunakan kode aplikasi yang berjalan pada sumber daya AWS komputasi seperti instans Amazon EC2, fungsi Lambda, Amazon Elastic Container AWS Batch Service, pekerjaan, dan sebagainya. Kode dapat menggunakan titik akhir HTTPS Neptunus atau titik akhir Bolt.

Kontrol akses berbutir halus - Neptunus mendukung kontrol akses granular atas tindakan akses data menggunakan kunci kondisi IAM. Kontrol akses berbutir halus tambahan dapat diimplementasikan pada lapisan aplikasi.

Neo4j Fabric - Neptunus mendukung federasi kueri di seluruh database untuk beban kerja RDF menggunakan kata kunci SPARQL. SERVICE Karena saat ini tidak ada standar atau spesifikasi terbuka untuk federasi kueri untuk beban kerja grafik properti, fungsionalitas itu perlu diimplementasikan pada lapisan aplikasi.

Kontrol akses berbasis peran (RBAC) - Neptunus mengelola otentikasi melalui penetapan kebijakan dan peran IAM. Kebijakan dan peran IAM memberikan tingkat manajemen pengguna yang sangat fleksibel dalam suatu aplikasi, jadi ada baiknya membaca dan memahami informasi dalam ikhtisar IAM sebelum mengonfigurasi cluster Anda.

Bookmark — Cluster Neptunus terdiri dari satu contoh penulis dan hingga 15 contoh replika baca. Data yang ditulis ke contoh penulis sesuai dengan ACID dan memberikan jaminan konsistensi yang kuat pada pembacaan berikutnya. Replicas baca menggunakan volume penyimpanan yang sama dengan instance penulis dan pada akhirnya konsisten, biasanya dalam waktu kurang dari 100 ms dari waktu data ditulis. Jika kasus penggunaan Anda memiliki kebutuhan mendesak untuk menjamin konsistensi baca penulisan baru, pembacaan ini harus diarahkan ke titik akhir cluster alih-alih titik akhir pembaca.

Prosedur APOC — Karena prosedur APOC tidak termasuk dalam spesifikasi OpenCypher, Neptunus tidak memberikan dukungan langsung untuk prosedur eksternal. Sebaliknya, Neptunus mengandalkan integrasi dengan layanan AWS lain untuk mencapai fungsionalitas pengguna akhir yang serupa dengan cara yang terukur, aman, dan kuat. Terkadang prosedur APOC dapat ditulis ulang dalam OpenCypher atau Gremlin, dan beberapa tidak relevan dengan aplikasi Neptunus.

Secara umum, prosedur APOC termasuk dalam kategori di bawah ini:

Prosedur khusus - Neptunus tidak mendukung prosedur khusus yang dibuat oleh pengguna. Fungsionalitas ini harus diimplementasikan pada lapisan aplikasi.

Geospasial — Meskipun Neptunus tidak memberikan dukungan asli untuk fitur geospasial, fungsionalitas serupa dapat dicapai melalui integrasi dengan layanan AWS lain, seperti yang ditunjukkan dalam posting blog ini: Gabungkan Amazon Neptunus dan OpenSearch Amazon Service untuk kueri geospasial oleh Ross Gabay dan Abhilash Vinod (1 Februari 2022).

Ilmu Data Grafik — Neptunus mendukung analisis grafik hari ini melalui Neptunus Analytics, mesin yang dioptimalkan untuk memori yang mendukung perpustakaan algoritme analitik grafik.

Neptunus juga menyediakan integrasi dengan AWS SDK Pandas dan beberapa contoh notebook yang menunjukkan bagaimana memanfaatkan integrasi ini dalam lingkungan Python untuk menjalankan analitik pada data grafik.

Batasan Skema — Dalam Neptunus, satu-satunya kendala skema yang tersedia adalah keunikan ID node atau tepi. Tidak ada fitur untuk menentukan batasan skema tambahan, atau keunikan tambahan atau batasan nilai pada elemen dalam grafik. Nilai ID di Neptunus adalah string dan dapat diatur menggunakan Gremlin, seperti ini:

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

Aplikasi yang perlu memanfaatkan ID sebagai kendala keunikan didorong untuk mencoba pendekatan ini untuk mencapai kendala keunikan. Jika aplikasi menggunakan beberapa kolom sebagai kendala keunikan, ID dapat diatur ke kombinasi dari nilai-nilai ini. Misalnya id=123, code='SEA' dapat direpresentasikan ID='123_SEA' untuk mencapai kendala keunikan yang kompleks.

Multi-tenancy — Neptunus hanya mendukung satu grafik per cluster. Untuk membangun sistem multi-tenant menggunakan Neptunus, gunakan beberapa cluster atau partisi penyewa secara logis dalam satu grafik dan gunakan logika sisi aplikasi untuk menegakkan pemisahan. Misalnya, tambahkan properti tenantId dan sertakan di setiap kueri, seperti ini:

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

Neptunus Tanpa Server membuatnya relatif mudah untuk menerapkan multi-tenancy menggunakan beberapa cluster DB, yang masing-masing diskalakan secara independen dan otomatis sesuai kebutuhan.

Neo4j Browser — Neptunus menyediakan notebook grafik open-source yang menyediakan IDE yang berfokus pada pengembang untuk menjalankan kueri dan memvisualisasikan hasilnya.

Neo4j Bloom — Neptunus mendukung visualisasi grafik kaya menggunakan solusi visualisasi pihak ketiga seperti Graph-explorer, Tom Sawyer, Cambridge Intelligence, Graphistry, metaphacts, dan G.V ().

GraphQL — Neptunus saat ini mendukung GraphQL melalui integrasi kustom. AWS AppSync Lihat aplikasi Membangun grafik dengan posting blog Amazon Neptunus AWS dan Amplify, dan contoh proyek, Membangun aplikasi pelacak Kalori Tanpa Server dengan dan Amazon Neptunus. AWS AppSync

NeoSemantics— Neptunus secara native mendukung model data RDF, sehingga pelanggan yang ingin menjalankan beban kerja RDF disarankan untuk menggunakan dukungan model RDF Neptunus.

Arrows.app — Cypher yang dibuat saat mengekspor model menggunakan perintah ekspor kompatibel dengan Neptunus.

Linkurious Ogma - Integrasi sampel dengan Linkurious Ogma tersedia di sini.

Data Musim Semi Neo4j — Ini saat ini tidak kompatibel dengan Neptunus.

Neo4j Spark Connector - Konektor percikan Neo4j dapat digunakan dalam Spark Job untuk terhubung ke Neptunus menggunakan OpenCypher. Berikut adalah beberapa contoh kode dan konfigurasi aplikasi:

Contoh kode:

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();

Konfigurasi aplikasi:

<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>