图数据库GDB的网络运维场景_图数据库(Graph Database)-阿里云帮助中心

图数据库GDB可以轻松的对IT、网络运营的海量数据进行建模，将原始关系型数据库中结构化数据转换图数据库中的节点和边，不仅能减少DBA的数据建模工作量，又能够提升查询效率。解决传统解决方案中数据量超过一定量级时不能使用数据库和使用CMDB周期长且不够灵活的问题。

下面示例采用USAir97的机场运输的dataset对具体应用加以说明。

示例示意图

航站枢纽节点连接示意图如下：

示例数据模型

图数据模型抽象以每个机场航运站为节点，航运站间的运输路线为边。其中：

节点中包含航运站名称，航运站坐标位置。
边中包含所连接的航运站，及航运站之间的距离。

代码示例

查看一共有多少点。
```
g.V().count()
```
查看一共有多少边。
```
g.E().count()
```

查看枢纽节点，一共有多少节点连入。

g.V('118').in().count() //118为"Chicago O'hare Intl"节点

一共有哪些连入节点。

g.V('118').in().id()

返回结果：

65  //"Portland Intl"
94  //"General Mitchell Intll"
95  //"Greater Buffalo Intl"
8   //"Anchorage Intl"
...

查看枢纽节点，一共连了多少节点。

g.V('118').out().count()

一共连了哪些节点。

g.V('118').out().id()

返回结果：

201  //"San Francisco Intl"
221  //"Raleigh-Durham Intll"
301  //"Tampa Intl"
232   //"Memphis Intl"
...

最优运输路径选择：从”Wiley Post-Will Rogers Mem” 节点运输货物至 “Shreveport Regional” 的最优路径选择。

g.V("1").store("x").repeat(out().where(without("x")).aggregate("x")).until(hasId("267")).path()

返回结果：

[v[1],v[4],v[47]，v[255],v[267]]
// "Wiley Post-Will Rogers Mem" -> "Fairbanks Intl" -> "Seattle-Tacoma Intl" -> "The William B Hartsfield Atlan" -> "Shreveport Regional"

运输路线统计分析：每次运输一个节点添加运输货物事件记录，查询时可按货物查询运输路线，达到运输路线统计，货物追踪及货物信息统计等。
```
g.V('1').property('cargo1', 1)
g.V().properties('cargo1').valueMap(true)
```
返回结果：
```
v[1]
[id:1,key:cargo1,value:1]
[id:4,key:cargo1,value:2]
[id:47,key:cargo1,value:3]
```
货物运输路线跟踪：在货物运输完或运输途中，可以根据图数据库中留下的记号，追踪货物在运输网中的路径。
```
g.V().has("cargo1").valueMap(true)
```
返回结果：
```
[id:1,label:vertex,cargo1:[1]]
[id:4,label:vertex,cargo1:[2]]
[id:47,label:vertex,cargo1:[3]]
```