# HugeGraph BenchMark Performance LLMS 索引： [llms.txt](/versions/1.7/cn/llms.txt) --- > **Note:** > > 当前的性能指标测试基于很早期的版本。**最新版本**在性能和功能上都有显著的改进。我们鼓励您参考最新的发布版本， > 该版本具有**自主分布式存储**和**增强的计算推下能力**。或者，您可以等待社区更新相关测试数据 (也欢迎反馈共建)。 ### 1 测试环境 #### 1.1 硬件信息 | CPU | Memory | 网卡 | 磁盘 | |----------------------------------------------|--------|-----------|-----------| | 48 Intel(R) Xeon(R) CPU E5-2650 v4 @ 2.20GHz | 128G | 10000Mbps | 750GB SSD | #### 1.2 软件信息 ##### 1.2.1 测试用例 测试使用[graphdb-benchmark](https://github.com/socialsensor/graphdb-benchmarks)，一个图数据库测试集。该测试集主要包含 4 类测试： - Massive Insertion，批量插入顶点和边，一定数量的顶点或边一次性提交 - Single Insertion，单条插入，每个顶点或者每条边立即提交 - Query，主要是图数据库的基本查询操作： - Find Neighbors，查询所有顶点的邻居 - Find Adjacent Nodes，查询所有边的邻接顶点 - Find Shortest Path，查询第一个顶点到 100 个随机顶点的最短路径 - Clustering，基于 Louvain Method 的社区发现算法 ##### 1.2.2 测试数据集 测试使用人造数据和真实数据 - MIW、SIW 和 QW 使用 SNAP 数据集 - [Enron Dataset](http://snap.stanford.edu/data/email-Enron.html) - [Amazon dataset](http://snap.stanford.edu/data/amazon0601.html) - [Youtube dataset](http://snap.stanford.edu/data/com-Youtube.html) - [LiveJournal dataset](http://snap.stanford.edu/data/com-LiveJournal.html) - CW 使用[LFR-Benchmark generator](https://sites.google.com/site/andrealancichinetti/files)生成的人造数据 ###### 本测试用到的数据集规模 | 名称 | vertex 数目 | edge 数目 | 文件大小 | |-------------------------|-----------|-----------|--------| | email-enron.txt | 36,691 | 367,661 | 4MB | | com-youtube.ungraph.txt | 1,157,806 | 2,987,624 | 38.7MB | | amazon0601.txt | 403,393 | 3,387,388 | 47.9MB | | com-lj.ungraph.txt | 3997961 | 34681189 | 479MB | #### 1.3 服务配置 - HugeGraph 版本：0.5.6，RestServer 和 Gremlin Server 和 backends 都在同一台服务器上 - RocksDB 版本：rocksdbjni-5.8.6 - Titan 版本：0.5.4, 使用 thrift+Cassandra 模式 - Cassandra 版本：cassandra-3.10，commit-log 和 data 共用 SSD - Neo4j 版本：2.0.1 > graphdb-benchmark 适配的 Titan 版本为 0.5.4 ### 2 测试结果 #### 2.1 Batch 插入性能 | Backend | email-enron(30w) | amazon0601(300w) | com-youtube.ungraph(300w) | com-lj.ungraph(3000w) | |-----------|------------------|------------------|---------------------------|-----------------------| | HugeGraph | 0.629 | 5.711 | 5.243 | 67.033 | | Titan | 10.15 | 108.569 | 150.266 | 1217.944 | | Neo4j | 3.884 | 18.938 | 24.890 | 281.537 | _说明_ - 表头"（）"中数据是数据规模，以边为单位 - 表中数据是批量插入的时间，单位是 s - 例如，HugeGraph 使用 RocksDB 插入 amazon0601 数据集的 300w 条边，花费 5.711s ##### 结论 - 批量插入性能 HugeGraph(RocksDB) > Neo4j > Titan(thrift+Cassandra) #### 2.2 遍历性能 ##### 2.2.1 术语说明 - FN(Find Neighbor), 遍历所有 vertex, 根据 vertex 查邻接 edge, 通过 edge 和 vertex 查 other vertex - FA(Find Adjacent), 遍历所有 edge，根据 edge 获得 source vertex 和 target vertex ##### 2.2.2 FN 性能 | Backend | email-enron(3.6w) | amazon0601(40w) | com-youtube.ungraph(120w) | com-lj.ungraph(400w) | |-----------|-------------------|-----------------|---------------------------|----------------------| | HugeGraph | 4.072 | 45.118 | 66.006 | 609.083 | | Titan | 8.084 | 92.507 | 184.543 | 1099.371 | | Neo4j | 2.424 | 10.537 | 11.609 | 106.919 | _说明_ - 表头"（）"中数据是数据规模，以顶点为单位 - 表中数据是遍历顶点花费的时间，单位是 s - 例如，HugeGraph 使用 RocksDB 后端遍历 amazon0601 的所有顶点，并查找邻接边和另一顶点，总共耗时 45.118s ##### 2.2.3 FA 性能 | Backend | email-enron(30w) | amazon0601(300w) | com-youtube.ungraph(300w) | com-lj.ungraph(3000w) | |-----------|------------------|------------------|---------------------------|-----------------------| | HugeGraph | 1.540 | 10.764 | 11.243 | 151.271 | | Titan | 7.361 | 93.344 | 169.218 | 1085.235 | | Neo4j | 1.673 | 4.775 | 4.284 | 40.507 | _说明_ - 表头"（）"中数据是数据规模，以边为单位 - 表中数据是遍历边花费的时间，单位是 s - 例如，HugeGraph 使用 RocksDB 后端遍历 amazon0601 的所有边，并查询每条边的两个顶点，总共耗时 10.764s ###### 结论 - 遍历性能 Neo4j > HugeGraph(RocksDB) > Titan(thrift+Cassandra) #### 2.3 HugeGraph-图常用分析方法性能 ##### 术语说明 - FS(Find Shortest Path), 寻找最短路径 - K-neighbor，从起始 vertex 出发，通过 K 跳边能够到达的所有顶点，包括 1, 2, 3...(K-1), K 跳边可达 vertex - K-out, 从起始 vertex 出发，恰好经过 K 跳 out 边能够到达的顶点 ##### FS 性能 | Backend | email-enron(30w) | amazon0601(300w) | com-youtube.ungraph(300w) | com-lj.ungraph(3000w) | |-----------|------------------|------------------|---------------------------|-----------------------| | HugeGraph | 0.494 | 0.103 | 3.364 | 8.155 | | Titan | 11.818 | 0.239 | 377.709 | 575.678 | | Neo4j | 1.719 | 1.800 | 1.956 | 8.530 | _说明_ - 表头"（）"中数据是数据规模，以边为单位 - 表中数据是找到**从第一个顶点出发到达随机选择的 100 个顶点的最短路径**的时间，单位是 s - 例如，HugeGraph 使用 RocksDB 后端在图 amazon0601 中查找第一个顶点到 100 个随机顶点的最短路径，总共耗时 0.103s ###### 结论 - 在数据规模小或者顶点关联关系少的场景下，HugeGraph 性能优于 Neo4j 和 Titan - 随着数据规模增大且顶点的关联度增高，HugeGraph 与 Neo4j 性能趋近，都远高于 Titan ##### K-neighbor 性能 顶点 | 深度 | 一度 | 二度 | 三度 | 四度 | 五度 | 六度 ----- | -- | ------ | ------ | ------ | ------ | ------ | --- v1 | 时间 | 0.031s | 0.033s | 0.048s | 0.500s | 11.27s | OOM v111 | 时间 | 0.027s | 0.034s | 0.115 | 1.36s | OOM | -- v1111 | 时间 | 0.039s | 0.027s | 0.052s | 0.511s | 10.96s | OOM _说明_ - HugeGraph-Server 的 JVM 内存设置为 32GB，数据量过大时会出现 OOM ##### K-out 性能 顶点 | 深度 | 一度 | 二度 | 三度 | 四度 | 五度 | 六度 ----- | -- | ------ | ------ | ------ | ------ | --------- | --- v1 | 时间 | 0.054s | 0.057s | 0.109s | 0.526s | 3.77s | OOM | 度 | 10 | 133 | 2453 | 50,830 | 1,128,688 | v111 | 时间 | 0.032s | 0.042s | 0.136s | 1.25s | 20.62s | OOM | 度 | 10 | 211 | 4944 | 113150 | 2,629,970 | v1111 | 时间 | 0.039s | 0.045s | 0.053s | 1.10s | 2.92s | OOM | 度 | 10 | 140 | 2555 | 50825 | 1,070,230 | _说明_ - HugeGraph-Server 的 JVM 内存设置为 32GB，数据量过大时会出现 OOM ###### 结论 - FS 场景，HugeGraph 性能优于 Neo4j 和 Titan - K-neighbor 和 K-out 场景，HugeGraph 能够实现在 5 度范围内秒级返回结果 #### 2.4 图综合性能测试-CW | 数据库 | 规模 1000 | 规模 5000 | 规模 10000 | 规模 20000 | |-----------------|--------|---------|----------|----------| | HugeGraph(core) | 20.804 | 242.099 | 744.780 | 1700.547 | | Titan | 45.790 | 820.633 | 2652.235 | 9568.623 | | Neo4j | 5.913 | 50.267 | 142.354 | 460.880 | _说明_ - "规模"以顶点为单位 - 表中数据是社区发现完成需要的时间，单位是 s，例如 HugeGraph 使用 RocksDB 后端在规模 10000 的数据集，社区聚合不再变化，需要耗时 744.780s - CW 测试是 CRUD 的综合评估 - 该测试中 HugeGraph 跟 Titan 一样，没有通过 client，直接对 core 操作 ##### 结论 - 社区聚类算法性能 Neo4j > HugeGraph > Titan