图数据库 Nebula Graph 的数据模型和系统架构设计
Nebula Graph：一个开源的分布式图数据库。作为唯一能够存储万亿个带属性的节点和边的在线图数据库，Nebula Graph 不仅能够在高并发场景下满足毫秒级的低时延查询要求，而且能够提供极高的服务可用性和数据安全性。
本篇主要介绍 Nebula Graph 的数据模型和系统架构设计。
有向属性图 DirectedPropertyGraph
Nebula Graph 采用易理解的有向属性图来建模，也就是说，在逻辑上，图由两种图元素构成：顶点和边。
有向属性图
顶点 Vertex
在 Nebula Graph 中顶点由标签 tag 和对应 tag 的属性组构成， tag 代表顶点的类型，属性组代表 tag 拥有的一种或多种属性。一个顶点必须至少有一种类型，即标签，也可以有多种类型。每种标签有一组相对应的属性，我们称之为 schema 。
如上图所示，有两种 tag 顶点：player 和 team。player 的 schema 有三种属性 ID （vid），Name （sting）和 Age （int）；team 的 schema 有两种属性 ID （vid）和 Name（string）。
和 Mysql 一样，Nebula Graph 是一种强 schema 的数据库，属性的名称和数据类型都是在数据写入前确定的。
边 Edge
在 Nebula Graph 中边由类型和边属性构成，而 Nebula Graph 中边均是有向边，有向边表明一个顶点（ 起点 src ）指向另一个顶点（ 终点 dst ）的关联关系。此外，在 Nebula Graph 中我们将边类型称为 edgetype ，每一条边只有一种 **edgetype** ，每种 edgetype 相应定义了这种边上属性的 schema 。
回到上面的图例，图中有两种类型的边，一种为 player 指向 player 的 like 关系，属性为 likeness (double)；另一种为 player 指向 team 的 serve 关系，两个属性分别为 start_year (int) 和 end_year (int)。
Tips：需要说明的是，起点1 和终点2 之间，可以同时存在多条相同或者不同类型的边。
图分割 GraphPartition
由于超大规模关系网络的节点数量高达百亿到千亿，而边的数量更会高达万亿，即使仅存储点和边两者也远大于一般服务器的容量。因此需要有方法将图元素切割，并存储在不同逻辑分片 partition 上。Nebula Graph 采用边分割的方式，默认的分片策略为哈希散列，partition 数量为静态设置并不可更改。
图分割示意图
数据模型 DataModel
在 Nebula Graph 中，每个顶点被建模为一个 key-value ，根据其 vertexID（或简称 vid）哈希散列后，存储到对应的 partition 上。
key-value 示意图
一条逻辑意义上的边，在 Nebula Graph 中将会被建模为两个独立的 key-value ，分别称为 out-key 和 in-key 。out-key 与这条边所对应的起点存储在同一个 partition 上，in-key 与这条边所对应的终点存储在同一个 partition 上。
Out-key & In-key 示意图
关于数据模型的详细设计会在后续的系列文章中介绍。
系统架构 Architecture
Nebula Graph 包括四个主要的功能模块，分别是存储层、元数据服务、计算层和客户端。
Nebula Graph 架构图
存储层 Storage
在 Nebula Graph 中存储层对应进程是 nebula-storaged ，其核心为基于 Raft（用来管理日志复制的一致性算法） 协议的分布式 Key-valueStorage 。
目前支持的主要存储引擎为「Rocksdb」和「HBase」。
Raft 协议通过 leader/follower 的方式，来保持数据之间的一致性。Nebula Storage 主要增加了以下功能和优化：
- Parallel Raft：允许多台机器上的相同 partiton-id 组成一个
Raft group。通过多组 Raft group 实现并发操作。 - Write Path & batch：Raft 协议的多机器间同步依赖于日志 id 顺序性，这样的吞吐量
throughput较低。通过批量和乱序提交的方式可以实现更高的吞吐量。 - Learner：基于异步复制的 learner。当集群中增加新的机器时，可以将其先标记为 learner，并异步从
leader/follower拉取数据。当该 learner 追上 leader 后，再标记为 follower，参与 Raft 协议。 - Load-balance：对于部分访问压力较大的机器，将其所服务的 partition 迁移到较冷的机器上，以实现更好的负载均衡。
KV 存储架构图
元数据服务层 Metaservice
Metaservice 对应的进程是 nebula-metad ，其主要的功能有：
- 用户管理：Nebula Graph 的用户体系包括
Goduser，Admin，User，Guest四种。每种用户的操作权限不一。 - 集群配置管理：支持上线、下线新的服务器。
- 图空间管理：增持增加、删除图空间，修改图空间配置（Raft副本数）
- Schema 管理：Nebula Graph 为强 schema 设计。
- 通过 Metaservice 记录 Tag 和 Edge 的属性的各字段的类型。支持的类型有：整型 int, 双精度类型 double, 时间数据类型 timestamp, 列表类型 list等；
- 多版本管理，支持增加、修改和删除 schema，并记录其版本号
- TTL 管理，通过标识到期回收
time-to-live字段，支持数据的自动删除和空间回收
MetaService 层为有状态的服务，其状态持久化方法与 Storage 层一样通过 KVStore 方式存储。
元数据服务架构图
计算层 Query Engine & Query Language(nGQL)
计算层对应的进程是 nebula-graphd ，它由完全对等无状态无关联的计算节点组成，计算节点之间相互无通信。
Query Engine 层的主要功能，是解析客户端发送 nGQL 文本，通过词法解析 Lexer 和语法解析 Parser 生成执行计划，并通过优化后将执行计划交由执行引擎，执行引擎通过 MetaService 获取图点和边的 schema，并通过存储引擎层获取点和边的数据。
Query Engine 层的主要优化有：
- 异步和并发执行：由于 IO 和网络均为长时延操作，需采用异步及并发操作。此外，为避免单个长 query 影响后续 query，Query Engine 为每个 query 设置单独的资源池以保证服务质量 QoS。
- 计算下沉：为避免存储层将过多数据回传到计算层占用宝贵的带宽，条件过滤
where等算子会随查询条件一同下发到存储层节点。 - 执行计划优化：虽然在关系数据库 SQL 中执行计划优化已经经历了长时间的发展，但业界对图查询语言的优化研究较少。Nebula Graph 对图查询的执行计划优化进行了一定的探索，包括执行计划缓存和上下文无关语句并发执行。
计算层架构图
客户端 API & Console
Nebula Graph 提供 C++、Java、Golang 三种语言的客户端，与服务器之间的通信方式为 RPC，采用的通信协议为 Facebook-Thrift。用户也可通过 Linux 上 console 实现对 Nebula Graph 操作。Web 访问方式目前在开发过程中。
