AI 时代的万亿关系分析计算：NebulaGraph Analytics

2025 年全球图数据库市场规模为 28.5 亿美元，预计将从 2026 年的 36 亿美元增长到 2034 年的 202.9 亿美元。无论是风控、推荐，还是知识图谱，许多公司早已拥有一套图系统，数据动辄几十亿节点、上百亿关系，甚至更大。

但一个很少被公开讲出来的现实是，大多数公司的图，其实“算不动”。

经典的图算法，如 PageRank、社区发现、最短路径，已被广泛应用于生产环境。问题在于，当关系规模真的上来之后，这些算法开始变得不再工程可行，耗时太慢，或者不敢跑全量。

企业真正需要的，已经从把海量关系存下来，转向在海量关系上做计算。并且这个过程不应该再依赖研发和产品层层转译，而是让业务人员自己能制定规则，直接落地更智能、更贴近业务逻辑的分析，同时能够快速构建图算法，把效率真正提上来。

NebulaGraph Analytics，正是在这个背景下出现的。

一、在超大规模图上直接运行复杂算法

NebulaGraph Analytics 切入的核心，是让用户在超大规模图上灵活自定义复杂算法。

这是一款深度运行复杂图算法的图分析平台，相较于 Apache Spark GraphX 资源消耗降低至约 20%，计算性能提升约 5–10 倍，帮助用户高效洞察潜在的结构与模式。

其核心价值在于开放而灵活的自定义算法能力——用户不仅可以调整参数适配数据特征，更能基于业务需求编写专属算法。

为什么自定义图算法如此关键？

• 通用算法难以直接落地：绝大多数标准图算法无法直接解决业务问题，需要根据具体场景微调模型、参数甚至算法逻辑。

• 业务规则需自主可控：风控等场景涉及核心业务规则与敏感逻辑，无法交由外部厂商实现。

• 算法迭代速度决定风险：风险与业务模式持续变化，算法需快速迭代，等待外部开发周期往往错失最佳时机。

• 业务效果需紧密耦合：算法优化高度依赖业务经验反复调试，底层厂商难以承接业务效果的交付目标。

因此，能让用户自主编写自定义算法的图计算产品，才是真正契合业务需要的产品。

二、NebulaGraph Analytics 的关键能力

在大规模图计算进入生产环境后，更应该关注这些核心约束。

• 算法是否可扩展

• 计算成本是否可控

• 是否支持业务定制

• 是否能够融入现有数据体系

• 是否具备持续运行能力

NebulaGraph Analytics 的能力设计，正围绕这些约束展开。

1.面向业务的自定义图算法能力

在实际应用中，标准图算法往往只能覆盖一部分需求。

例如在风控、资金分析或资产关联场景中，企业通常需要结合业务规则，对算法逻辑进行扩展或重构。这类需求很难通过预置算法直接满足。

NebulaGraph Analytics 提供基于 GQL 的自定义算法能力，允许用户直接定义计算逻辑，让业务人员能够自主构建算法，无需依赖研发与产品团队，将业务规则更智能、更贴合实际地落地到图分析中。

• 将算法表达与图结构统一在同一语义体系内，业务人员只需聚焦业务逻辑，而非底层计算框架。

• 基于 GQL 语言实现，门槛远低于 C++ 等语言，业务人员仅需极小的学习成本，即可读懂、编写、修改。

• 结合大模型能力，提供对应的 skills，输入自然语言，直接生成可运行的算法，显著缩短算法开发、排期、上线周期，将原本数周的工作压缩至低成本、短时间完成。

• 避免在外部系统中重复构建计算逻辑，支持面向具体业务问题的算法高效定制。

从系统视角来看，这意味着图分析能力从调用已有算法，演进为构建面向业务的图计算模型——让算法开发回归业务本身，而非技术的复杂度。

在欢迎页面，单击「立即开始」按钮，即可跳转业务开发页面，在业务开发页面中可直接创建和运行分析作业。

此外，欢迎页面还提供了常用算法的链接。单击某个算法链接，快速查看其代码实现，并通过自定义来创建自己的分析作业。

进入任务开发页面，项目面板用于管理项目和文件，编辑器面板用于编辑所选文件中的过程，以临时模式运行过程，或创建作业以定时运行过程。

2. 面向异构环境的数据接入能力

企业数据通常分布在多个存储系统中，包括图数据库、数据湖以及对象存储等。

如何在异构环境下高效接入数据，是图分析落地的前提。

NebulaGraph Analytics 提供多源数据接入能力，支持从以下数据源导入数据：

• NebulaGraph 图数据库

• 本地存储系统

• HDFS

• Amazon S3

• Google Cloud Storage

同时支持多种主流数据格式，包括：

• CSV

• Parquet

• ORC

这一能力使图分析可以在不改变现有数据架构的前提下进行扩展，降低系统集成成本。从架构角度看，能高效地将图计算能力嵌入现有数据体系。

3. 面向生产环境的作业管理与调度能力

图分析在实际业务中通常不是一次性计算，而是持续运行的分析流程。

例如：

• 定期更新图指标（如中心性、社区结构）

• 持续监测异常模式

• 支持下游系统实时或准实时调用结果

NebulaGraph Analytics 提供可视化作业管理能力，用于：

• 图分析任务的开发与配置

• 作业执行过程管理

• 定时调度与自动化运行

作业管理页面包含两个页签：作业和运行记录。

如上图所示，作业页签展示了所有作业。可按名称搜索作业，并按触发类型过滤作业，并对作业进行增删改查、暂停中止等作业管理工作，

作业详情页，将提供作业 ID、过程、计算资源、定时、运行记录等信息。

运行记录页签提供运行记录，可自定义时间范围进行筛选，并支持搜索由特定作业触发的运行，或按状态或触发类型过滤运行记录。

三、NebulaGraph Analytics 的应用场景

NebulaGraph Analytics 的应用场景，本质上集中在高关系复杂度与高结构依赖的业务领域。

在用户管理中，用户价值不再只是行为结果，而是其所处关系网络的位置。通过图分析，可以识别关键影响节点和高价值群体，从而支撑更精准的运营策略。

在风险控制中，欺诈往往呈现为网络结构而非单点异常。通过社区发现、路径分析等方法，可以在全图范围内识别协同欺诈与资金链路，实现从单点识别，向结构识别的转变。

在资金与审计中，图分析可以还原复杂资金流路径，识别异常链路与关键节点，使原本难以追踪的过程具备可计算性。

而在资产管理与金融场景中，图结构则用于刻画隐性关联与风险传导路径，从而支持系统性风险评估与决策优化。

四、总结：场景化、规模化、平台化

NebulaGraph Analytics 围绕大规模图计算构建了完整的系统能力，包括：

• 通过自然语言自定义图算法

• 面向大规模数据的计算效率

• 对多数据源的兼容能力

• 可视化管理平台

当关系规模进入万亿时代，图算法的核心挑战不再是如何实现，而是如何高效计算。NebulaGraph Analytics 通过 GQL 与大模型能力的结合，显著降低了算法开发门槛，业务人员可以直接聚焦业务逻辑，将算法开发周期从数周缩短至数小时。

技术复杂度被系统吸纳，业务意图得以直达计算核心，让图算法真正成为可落地、可被业务自主驾驭的基础设施。

NebulaGraph Analytics 为企业版 5.x 全新推出的图分析平台，如需咨询更多产品性能及报价，请填写商务咨询问卷～ https://www.nebula-graph.com.cn/contact