Delen via

Overzicht van graph-semantiek

Schakelen tussen services met behulp van de vervolgkeuzelijst Versie . Meer informatie over navigatie.
Van toepassing op: ✅ Microsoft Fabric ✅ Azure Data Explorer ✅ Azure Monitor ✅ Microsoft Sentinel

Met graph-semantiek kunt u gegevens modelleren en opvragen als onderling verbonden netwerken. Een grafiek bestaat uit knooppunten (entiteiten) en randen (relaties) waarmee ze worden verbonden. Zowel knooppunten als randen kunnen eigenschappen bevatten, waardoor een uitgebreid gegevensmodel voor complexe relaties wordt gemaakt.

Grafieken zijn een uitstekende weergave van complexe gegevens met veel-op-veel-relaties, hiërarchische structuren of netwerkverbindingen, zoals sociale netwerken, aanbevelingssystemen, verbonden assets en kennisgrafieken. In tegenstelling tot relationele databases waarvoor indexen en joins nodig zijn om gegevens in verschillende tabellen te verbinden, maken grafieken gebruik van directe aangrenzing tussen knooppunten, waardoor snelle en intuïtieve doorkruising van relaties mogelijk is.

In de volgende grafiek ziet u een scenario voor cyberaanvallen. Knooppunten vertegenwoordigen entiteiten zoals externe bronnen, gebruikers en kritieke assets, terwijl randen acties of relaties vertegenwoordigen die een mogelijke aanvalsreeks vormen.

Grafiek met het cyberbeveiligingsscenario, waaronder phishing-e-mail en het pad naar toegang tot een gevoelige database.

Grafiekquery's maken gebruik van grafiekstructuur om geavanceerde bewerkingen uit te voeren, zoals het vinden van paden, patronen, kortste afstanden, community's en centraliteitsmetingen. Deze mogelijkheden maken grafieken krachtig voor het modelleren van relaties, interacties, afhankelijkheden en stromen tussen domeinen, waaronder sociale netwerken, toeleveringsketens, IoT-apparaatnetwerken, digitale dubbels, aanbevelingssystemen en organisatiestructuren.

In de volgende grafiek ziet u een supply chain-scenario waarin knooppunten leveranciers, fabrikanten en distributeurs vertegenwoordigen en randen de leveringsrelaties vertegenwoordigen. In dit voorbeeld wordt getoond hoe grafieken stromen en afhankelijkheden in verschillende bedrijfscontexten modelleren.

Grafiek van twee leveranciers, fabrikant en distributeur, en de leveringsrelatie.

Waarom grafieksemantiek gebruiken?

Graph-mogelijkheden bieden aanzienlijke voordelen door gebruik te maken van bestaande gegevensinvesteringen en geavanceerde relatiemodellering toe te voegen:

  • Er is geen gegevensmigratie vereist : bouw graafmodellen rechtstreeks vanuit de huidige gegevens zonder duplicatie.
  • Kosteneffectieve oplossing : elimineert de complexiteit en onkosten van toegewezen grafiekdatabases.
  • Ondersteuning voor tijdelijke analyse : als een tijdreeksdatabase kunt u natuurlijk analyseren hoe grafieken zich in de loop van de tijd ontwikkelen.
  • Op gebeurtenissen gebaseerde modellering : modellengrafieken als reeksen relatiegebeurtenissen, die zijn afgestemd op de krachtige mogelijkheden voor gebeurtenisverwerking.
  • Naadloze KQL-integratie : Graph-operators werken samen met alle bestaande KQL-mogelijkheden met volledige IntelliSense-ondersteuning.

Deze benadering biedt modellering op ondernemingsniveau , terwijl de prestaties, schaal en een vertrouwde interface behouden blijven. Organisaties kunnen complexe onderling verbonden gegevens tussen domeinen analyseren, van toeleveringsketens en organisatiehiërarchieën tot IoT-apparaatnetwerken en sociale relaties, zonder extra infrastructuurinvesteringen.

Benadering voor het maken van tijdelijke grafieken

Tijdelijke grafieken worden dynamisch gemaakt met behulp van de make-graph operator. Deze grafieken bevinden zich in het geheugen tijdens het uitvoeren van query's en worden automatisch verwijderd wanneer de query is voltooid.

Belangrijkste kenmerken

  • Dynamisch maken : gebouwd op basis van tabelgegevens met behulp van KQL-query's met de volledige structuur die zich in het geheugen bevindt
  • Onmiddellijke beschikbaarheid : geen vereisten voor voorverwerking of installatie
  • Geheugenbeperkingen : de grafiekgrootte wordt beperkt door het beschikbare geheugen op clusterknooppunten
  • Prestatiefactoren : grafiektopologie en eigenschapsgrootten bepalen de geheugenvereisten

Deze benadering is optimaal voor kleinere tot middelgrote gegevenssets waar onmiddellijke analyse nodig is.

Gebruiksvoorbeelden voor tijdelijke grafieken

Tijdelijke grafieken blinken uit in verschillende scenario's

  • Ad-hocanalyse - Eenmalige onderzoeken waarvoor snel patroononderzoek is vereist
  • Verkennende gegevensanalyse - Hypothesen testen en analytische benaderingen valideren
  • Kleine tot middelgrote gegevenssets : realtime analyse van recente gebeurtenissen of gerichte gegevenssubsets
  • Snelle prototypen : grafiekpatronen testen voordat permanente modellen worden geïmplementeerd
  • Dynamische gegevensanalyse : regelmatig veranderende gegevens die permanente opslag niet rechtvaardigen

Veelvoorkomende toepassingen zijn realtime IoT-bewaking, analyse van toeleveringsketenrelaties, toewijzing van klanttrajecten en scenario's waarvoor directe visualisatie van entiteitsrelaties is vereist.

Permanente benadering voor het maken van grafieken

Permanente grafieken maken gebruik van grafiekmodellen en grafiekmomentopnamen om robuuste oplossingen te bieden voor grootschalige, complexe grafieken die organisatienetwerken, toeleveringsketens, IoT-ecosystemen, digitale dubbels en andere onderling verbonden gegevensdomeinen vertegenwoordigen.

Belangrijke kenmerken voor permanente grafieken

  • Permanente opslag: Graph-modellen en -momentopnamen worden opgeslagen in databasemetagegevens voor duurzaamheid en consistentie
  • Schaalbaarheid : grafieken verwerken die de geheugenbeperkingen overschrijden met analysemogelijkheden op ondernemingsniveau
  • Herbruikbaarheid : meerdere gebruikers kunnen query's uitvoeren op dezelfde structuur zonder opnieuw te bouwen, waardoor gezamenlijke analyse mogelijk is
  • Prestatieoptimalisatie : elimineren van latentie voor graafconstructies voor herhaalde query's
  • Versiebeheer : meerdere momentopnamen vertegenwoordigen grafieken op verschillende tijdstippen voor historische analyse
  • Schemaondersteuning - Gestructureerde definities voor verschillende entiteitstypen en hun eigenschappen

De schemamogelijkheid ondersteunt zowel statische labels (vooraf gedefinieerd in het grafiekmodel) als dynamische labels (gegenereerd tijdens runtime op basis van gegevens) en biedt flexibiliteit voor complexe omgevingen met diverse entiteitstypen.

Gebruiksvoorbeelden voor permanente grafieken

Permanente grafieken zijn essentieel voor:

  • Bedrijfsanalyse : werkstromen voor continue bewaking in complexe netwerken
  • Grootschalige gegevensanalyse - Grafieken op ondernemingsniveau met miljoenen knooppunten en relaties
  • Gezamenlijke analyse : meerdere teams die werken met gedeelde grafiekstructuren
  • Productiewerkstromen : geautomatiseerde systemen waarvoor consistente grafiektoegang is vereist
  • Historische vergelijking : op tijd gebaseerde analyse van grafiekontwikkeling en -wijzigingen
Voorbeeld: persistente digitale dubbelgrafiek

Een grafiek met het voorbeeld van de digital twin factory met apparaatrelaties en apparatuurafhankelijkheden.

In digitale dubbel- en IoT-scenario's ondersteunen permanente grafieken een regelmatige analyse van apparaatrelaties, apparatuurafhankelijkheden en systeemontwikkeling in de loop van de tijd. Met historische analyse kunnen systeemstatussen in verschillende perioden worden vergeleken, de evolutie van assets worden bijgehouden en trendanalyse op lange termijn worden uitgevoerd.

Voorbeeld: permanente IoT- en digitale tweeling grafiek

IoT- en digitale dubbeltoepassingen profiteren aanzienlijk van permanente grafieken bij het modelleren van complexe relaties tussen fysieke apparaten en hun virtuele representaties in gedistribueerde systemen. Met deze grafieken kunnen organisaties:

  • Uitgebreide modellen van IoT-implementaties en verbonden assets maken
  • Ondersteuning voor realtime bewaking, voorspellend onderhoud en optimalisatie van prestaties
  • Apparatuurafhankelijkheden analyseren en potentiële storingspunten identificeren
  • Sensorplaatsingen optimaliseren door inzicht in fysieke en logische topologie
  • Apparaatconfiguraties, communicatie en prestatiekenmerken in de loop van de tijd bijhouden
  • Afwijkingen in communicatiepatronen detecteren en slimme omgevingsontwikkeling visualiseren
  • Operationele omstandigheden simuleren voordat wijzigingen in de fysieke infrastructuur worden geïmplementeerd

Deze permanente benadering is waardevol voor het beheren van complexe IoT-ecosystemen op schaal.

Mogelijkheden voor grafiekenquery's

Zodra een grafiek tot stand is gebracht (via make-graph of vanuit een momentopname), kunt u gebruikmaken van de volledige suite KQL-grafiekoperators voor uitgebreide analyse:

Kernoperators:

  • graph-match - Maakt geavanceerde patroonkoppeling en doorkruisingsbewerkingen mogelijk voor het identificeren van complexe relatiereeksen
  • graph-shortest-paths - Zoekt optimale paden tussen entiteiten, helpt bij het prioriteren van verbindingen en het identificeren van kritieke relaties
  • graph-to-table - Converteert grafiekanalyseresultaten naar tabellaire indeling voor integratie met bestaande systemen

Geavanceerde analysemogelijkheden:

  • Analyse op basis van tijd - Onderzoeken hoe relaties en patronen zich in de loop van de tijd ontwikkelen
  • Georuimtelijke integratie - Grafiekgegevens combineren met locatiegebaseerde intelligentie voor geografische patroonanalyse
  • Machine learning-integratie : algoritmen toepassen voor entiteitsclustering, patroonclassificatie en anomaliedetectie

Deze mogelijkheden ondersteunen diverse gebruiksvoorbeelden, waaronder analyse van klanttrajecten, productaanbevelingssystemen, IoT-netwerken, digitale dubbels en kennisgrafieken.

De juiste benadering kiezen

Met de volgende beslissingsstructuur kunt u de meest geschikte benadering voor het maken van grafieken selecteren op basis van uw specifieke vereisten en beperkingen.

Beslissingsstructuur: tijdelijke versus permanente grafieken

Stroomdiagram met een beslissingsstructuur voor het gebruik van permanente of tijdelijke grafieken.

Wanneer moet u tijdelijke grafieken gebruiken

Kies tijdelijke grafieken voor:

  • Grafiekgrootte onder 10 miljoen knooppunten en randen (voor optimale prestaties)
  • Analyse van één gebruiker of klein team met minimale samenwerkingsvereisten
  • Eenmalige of verkennende onderzoeken waarbij onmiddellijke resultaten nodig zijn
  • Realtime gegevensanalyse waarvoor actuele statusinformatie is vereist
  • Snelle prototypen en testen van grafiekpatronen en querylogica

Hoewel tijdelijke grafieken grotere gegevenssets kunnen verwerken, neemt de uitvoeringstijd van de query toe naarmate de grafiek voor elke query moet worden gereconstrueerd. Houd rekening met deze afweging van prestaties als u met grotere gegevenssets werkt.

Wanneer permanente grafieken gebruiken

Kies permanente grafieken voor:

  • Grafiekgrootte van meer dan 10 miljoen knooppunten en randen waar gedistribueerde opslag nuttig is
  • Meerdere teams die gedeelde toegang nodig hebben voor gezamenlijke analyse
  • Herhaalde analyse van stabiele gegevenssets waarbij de bouwlatentie van invloed is op de productiviteit
  • Integratie van productiewerkstromen vereist consistente, betrouwbare grafiektoegang
  • Historische vergelijkingsvereisten voor het bijhouden van wijzigingen in de loop van de tijd
  • Beperkingen van geheugencapaciteit die van invloed zijn op queryprestaties
  • Samenwerkingswerkstromen voor onderzoek in teams en tijdzones

Permanente grafieken zijn essentieel bij het werken met gegevens op ondernemingsniveau of wanneer geheugenbeperkingen van invloed zijn op de prestaties.

Prestatie-overwegingen

Geheugengebruik

  • Tijdelijke grafieken - Beperkt door geheugen van één clusterknooppunt, beperking van het gebruik van gegevenssets binnen het beschikbare RAM-geheugen
  • Permanente grafieken: gebruikmaken van gedistribueerde opslag en geoptimaliseerde toegangspatronen voor gegevens op ondernemingsniveau

Querylatentie

  • Tijdelijke grafieken – inclusief de bouwtijd in elke query, met vertragingen die toenemen voor grote datavolumes of externe gegevensbronnen
  • Permanente grafieken : bouwlatentie elimineren door vooraf gemaakte momentopnamen, waardoor snelle analyse mogelijk is

Afhankelijkheden van externe gegevensbronnen, zoals kruislingse clusterquery's of externe tabellen naar SQL en CosmosDB, kunnen een aanzienlijke invloed hebben op de tijdelijke graafbouwtijd, omdat elke query moet wachten op externe antwoorden.

Versheid van gegevens

  • Tijdelijke grafieken : altijd de huidige gegevensstatus weerspiegelen, ideaal voor realtime-analyse
  • Permanente grafieken : geef gegevens weer tijdens het maken van momentopnamen, wat consistentie biedt voor gezamenlijke analyse, maar waarvoor periodieke vernieuwingen zijn vereist

Integratie met KQL-ecosysteem

Graph-semantiek kan naadloos worden geïntegreerd met de bredere mogelijkheden van KQL:

  • Tijdreeksanalyse - Evolutie van relatie bijhouden in de loop van de tijd
  • Georuimtelijke functies - Locatiegebaseerde patronen en geografische afwijkingen analyseren
  • Machine learning-operators : patronen detecteren, gedrag classificeren en afwijkingen identificeren
  • Scalaire en tabellaire operators : complexe transformaties, aggregaties en gegevensverrijking inschakelen

Deze integratie maakt geavanceerde werkstromen mogelijk, waaronder tracering van de ontwikkeling van de toeleveringsketen, analyse van geografische activadistributie, communitydetectie via clusteringalgoritmen en correlatie van grafiekinzichten met traditionele logboekanalyse en externe intelligentie.

Verwante inhoud

  • Last updated on