Bases de datos de grafos, un recorrido conectado

Mi charla en T3chfest 2014.

Transcript

1. Francisco Fernández Castaño! @fcofdezc Bases de datos de grafos ! ! Un recorrido conectado Except where otherwise noted, this work is licensed under: http://creativecommons.org/ licenses/by-nc-sa/3.0/ Leganés! 6-7 Febrero 2014!
2. Graph Databases A little connected tour ! @fcofdezc
3. El origen
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?
9. Grafo Nodos Relaciones Propiedades Guarda Guarda Organiza Tiene 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. El Origen Fricción
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 Adaptación al cambio Escalabilidad No está destinada para ciertos escenarios Interoperabilidad
21. Adaptación al cambio
22. !Escalabilidad
23. Profundidad Tiempo MySQL(s) Tiempo Neo4j (s) Nº Resultados 2 0.016 0.01 ~2500 3 30.267 0.168 ~110,000 4 1543.505 1.359 ~600,000 5 No Acaba 2.132 ~800,000 MySQL vs Neo4j * 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
27. Casos de uso
28. Redes Sociales Sigue Sigue Juan Jose 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 clapton cream (clapton)-[:toca_en]->(cream) toca_en
34. Sigue Sigue Juan Jose María Cypher (juan:Persona)-[:sigue]->(jose:Persona) ! (maria:Persona)-[:sigue]->(juan:Persona)
35. Cypher clapton {nombre: Eric Clapton} cream (clapton)-[:toca_en]->(cream)<-[:etiquetado]-(blues) toca_en {fecha: 1968} Blues etiquetado
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 Puntúa {nota} User Film User Actor Director Actua en Dirige
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} Puntúa {nota} User 1 Film PF Fran User 2 Puntúa {nota} Film Film Puntúa {nota} Puntúa {nota}
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 Puntúa {nota} User 1 Film PF Fran Puntúa {nota} Film Sigue Puntúa {nota}
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 Film Actor Director Actua en Dirige
56. Red social de cine Ahora se deben poder categorizar las películas
57. Red social de cine Film SubGenero Pertenece_a SubGenero Pertenece_a Genero Genero Pertenece_a Pertenece_a
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 http://www.graphenedb.com
62. Neo4J Spain http://www.meetup.com/graphdb-spain/ 20 Febrero
64. Gracias