Bases de datos de grafos!! Un recorrido conectado

Transcripción

1 Leganés! 6-7 Febrero 2014! Francisco Fernández Bases de datos de grafos!! Un recorrido conectado Except where otherwise noted, this work is licensed under: licenses/by-nc-sa/3.0/

2 Graph Databases A little connected

3 El origen

4

5 Dado el mapa de Königsberg, con el río Pregolya dividiendo el plano en cuatro regiones distintas, que están unidas a través de los siete puentes, es posible dar un paseo comenzando desde cualquiera de estas regiones, pasando por todos los puentes, recorriendo sólo una vez cada uno, y regresando al mismo punto de partida?

6 El origen G = (V, E)

7 Qué es?

8

9 Guarda Grafo Guarda Nodos Organiza Relaciones Tiene Propiedades Tiene

10 Escrita en java ACID Interfaz REST Cypher

11 Por qué NOSQL?

12 Ventajas BD Relacionales

13 Ventajas de BD Relacionales Concurrencia Persistencia Integración Estándar Persistencia

14 Ventajas de BD Relacionales Concurrencia Persistencia Integración Estándar Concurrencia

15 Ventajas de BD Relacionales Concurrencia Persistencia Integración Estándar Integración

16 Ventajas de BD Relacionales Concurrencia Persistencia Integración Estándar Estándar

17 DESVentajas BD Relacionales

18 Fricción El Origen

19 class Client < ActiveRecord::Base has_one :address has_many :orders has_and_belongs_to_many :roles end

20 DesVentajas de BD Relacionales Fricción! Interoperabilidad Interoperabilidad Adaptación al cambio Escalabilidad No está destinada para ciertos escenarios

21 Adaptación al cambio

22 !Escalabilidad

23 MySQL vs Neo4j Profundidad Tiempo MySQL(s) Tiempo Neo4j (s) Nº Resultados ~ ~110, ~600,000 5 No Acaba ~800,000 * Neo4J in Action

24 El enfoque tradicional en el contexto de datos conectados es artificial

25 Podemos trasladar el modelo del dominio que estamos tratando de forma natural

26

27 Casos de uso

28 Redes Sociales Sigue Juan Jose Sigue María

29 Problemas Geoespaciales Detección de fraude Gestión de permisos Gestión de redes

30 Cypher Lenguaje declarativo ASCII oriented Pattern matching

31 Cypher Cypher Traverser API Core API Kernel

32 Cypher a b (a)-->(b)

33 Cypher toca_en clapton cream (clapton)-[:toca_en]->(cream)

34 Cypher Sigue Juan Sigue Jose María (juan:persona)-[:sigue]->(jose:persona)! (maria:persona)-[:sigue]->(juan:persona)

35 Cypher toca_en {fecha: 1968} etiquetado clapton {nombre: Eric Clapton} cream Blues (clapton)-[:toca_en]->(cream)<-[:etiquetado]-(blues)

36 Cypher MATCH (a)- >(b) RETURN a,b;

37 Cypher MATCH (a)-[:toca_en] >(b) RETURN a,b;

38 Cypher MATCH (a)-[t:toca_en] >(g), (g)<-[:etiquetado]-(e) RETURN a.nombre, t.fecha, e.nombre;

39 Cypher START c=node:node_auto_index(nombre= clapton ) MATCH (c)-[t:toca_en] >(g), (g)<-[:etiquetado]-(e) RETURN c.nombre, t.fecha, e.nombre;

40 Cypher START c=node:node_auto_index(nombre= clapton ) e=node:node_auto_index(nombre= blues ) MATCH (c)-[t:toca_en] >(g), (g)<-[:etiquetado]-(e) RETURN c.nombre, e.nombre ORDER BY t.fecha

41 Cypher START c=node:node_auto_index(nombre= clapton ) e=node:node_auto_index(nombre= blues ) MATCH (c)-[t:toca_en PRODUCE] >(g), (g)<-[:etiquetado]-(e) WHERE t.fecha > 1968 RETURN c.nombre, e.nombre

42 Cypher MATCH (juan)-[:conoce*5] >(pepe)

43 START startnode=node:node_auto_index(name = Sol'), endnode=node:node_auto_index(name = Cuzco') MATCH p = (startnode)-[rels:connected_to]->(endnode) RETURN p AS shortestpath, reduce(weight=0, r in rels: weight + r.weight) as tweight ORDER BY tweight ASC LIMIT 1

44 Sistema de recomendación

45 Red social de cine

46 Red social de cine Usuarios puntúan películas Personas actúan en películas Personas dirigen películas Usuarios siguen a otros usuarios

47 Red social de cine Cómo lo modelamos?

48 Red social de cine Sigue User User Puntúa {nota} Film Actua en Actor Dirige Director

49 Red social de cine START fran=node:persona(name='fran'), film=node:peliculas(title= Pulp Fiction') MATCH fran-[or:puntua]->film<-[:puntua]-otro_user-[r:puntua]->otras_pelis RETURN distinct otras_pelis.title;

50 Red social de cine Puntúa {nota} Film Film Puntúa {nota} User 1 Fran User 2 Puntúa {nota} Film Puntúa {nota} Puntúa {nota} PF

51 Red social de cine START fran=node:persona(name='fran'), film=node:peliculas(title= Pulp Fiction') MATCH fran-[or:puntua]->film<-[:puntua]-otro_user-[r:puntua]->otras_pelis WHERE or.stars = r.stars RETURN distinct otras_pelis.title;

52 Red social de cine START fran=node:persona(name='fran'), film=node:peliculas(title= Pulp Fiction') MATCH fran-[or:puntua]->film<-[:puntua]-otro_user-[r:puntua]->otras_pelis, otro_user-[:sigue]-fran WHERE or.stars = r.stars RETURN distinct otras_pelis.title;

53 Red social de cine Sigue Puntúa {nota} Film User 1 Fran Puntúa {nota} Film Puntúa {nota} PF

54 Red social de cine START tarantino=node:persona(name='quentin Tarantino') MATCH tarantino-[:dirige]->peli<-[:actua_en]-tarantino RETURN movie.title;!

55 Red social de cine Actua en Film Actor Dirige Director

56 Red social de cine Ahora se deben poder categorizar las películas

57 Red social de cine Genero Genero Pertenece_a Pertenece_a SubGenero SubGenero Pertenece_a Pertenece_a Film

58 Red social de cine START fran=node:persona(name='fran'), film=node:peliculas(title= Pulp Fiction') MATCH fran-[or:puntua]->film<-[:puntua]-otro_user-[r:puntua]->otras_pelis, film-[:pertenece:*3]->genero<-[:pertenece]-otras_pelis WHERE or.stars = r.stars RETURN distinct otras_pelis.title;

59 Instead of just picking a relational database because everyone does, we need to understand the nature of the data we re storing and how we want to manipulate it. Martin Fowler

60 Referencias

61 Neo4J as a service

62 Neo4J Spain 20 Febrero

63

64 Gracias