ArcGraph 缓存的设计与应用实践丨技术解读

导读 本文将详细介绍ArcGraph图数据库引擎中分布式缓存（MemEngine）的实现方式，以及我们在图数据库引擎开发中遇到的一些挑战与解决方案。希望通过这篇文章，能够帮助大家对图数据库的缓存设计有一个深入的理解，并能够在自己的项目中应用这些知识。

图数据库是一种专门用来存储由点、边及其属性构成的图的数据库系统。与传统关系型数据库相比，图数据库能够更高效地存储和查询图数据。例如，图数据库中通常用图的结构（邻接表、邻接矩阵等）来存储数据，从而能够快速地遍历图。这种高效的遍历能力使其在处理复杂关系数据时具有显著的优势，特别是在需要进行深度优先搜索或广度优先搜索的场景中，如社交网络分析、推荐系统等，具有显著的性能优势。但尽管如此，在实际的计算任务中，我们仍然需要面对一个挑战，那就是如何提升数据的访问效率。在大规模数据处理和高并发访问的场景下，图数据库的性能仍会受到很大挑战。为了解决这些问题，许多图数据库系统引入了缓存设计，提高系统的稳定性和可用性。

在接下来的部分，我们将详细介绍 ArcGraph 图数据库引擎中分布式缓存（MemEngine）的实现方式，以及我们在图数据库引擎开发中遇到的一些挑战与解决方案。希望通过这篇文章，能够帮助大家对图数据库的缓存设计有一个深入的理解，并能够在自己的项目中应用这些知识。

01 数据库系统中缓存的常见策略

在计算机系统中，计算任务都需要把数据先存储在内存中，再由 CPU 来调度计算任务，而每次加载数据到内存会引入额外的开销。另外，在实际的应用场景中，数据被访问的频率也是不一样的，有些数据在一段时间内被重复访问，有些数据则在这段时间内不被访问或者很少被访问。为了减少重复加载数据的开销，大部分数据库厂商都选择用内存缓存来存储已经被访问的一些数据，如果这些数据在有效期内被请求，就从缓存系统里取出数据，而不是从存储层再查询一遍数据。目前主流的数据库厂商都提供内存缓存的功能，例如 Oracle 的 Buffer Pool 等，还有一些内存数据库实现了基于内存的存储方案（内存数据库）。总体来看，基于内存的访问可以减少了磁盘操作，加快数据的查询和计算。以下是一些数据库系统在内存中的实现技术：

1. Oracle Buffer Pool

   Oracle 的 Buffer Pool 的实现包括三个部分：keep pool 用来缓存一直被使用的数据；recycle pool 用来缓存大的数据字段；default pool 用来缓存其他各种类型的数据。

2. MySQL Buffer Pool

   MySQL 的 Buffer Pool 存储数据页，主要目的是减少磁盘 IO 的次数。当要访问的数据页不在缓存中时，会从磁盘中把请求的数据页加载到内存中（Mysql 还有预读机制的实现：顺序预读和随机预读）。因为缓存空间是有限的，Mysql 中使用 LRU list 来换出"老旧"的数据页；对于脏页，则放在 Flush list 中批量刷盘（这里比较有意思的是 Mysql Innodb 的双写机制）。

3. Memgraph

   Memgraph 是一个内存图数据库，它将图的所有数据加载到内存中以加快图算法的执行。如果图的大小超过了内存限制，Memgraph 会开始拒绝新的写请求。

4. RedisGraph

   RedisGraph 是 Redis 内嵌的内存图数据库，它使用稀疏矩阵来保存边的信息（CSR_matrix），支持图的快速遍历。因此 RedisGraph 对所有的点和边进行统一的编号（Global ID），用稀疏矩阵来保存点/边类型和边，用 GraphBLAS 进行图算法的计算。

02 ArcGraph 中对缓存系统的需求

ArcGraph 是多模态智能引擎 ArcNeural 的一个重要组成部分，是由 Fabarta 公司自主设计和研发的一款分布式、云原生和支持图的存查分析一体化的高性能图数据库。

image.png

作为新一代图数据库产品，ArcGraph 提供 HTAP 的支持、向量索引的存储和查询等。不管是计算型任务，还是事务型任务，都迫切需要将一些数据加载内存中来满足功能和性能的需求。

1.png

• 计算型任务需要缓存图来加速查询。

  在目前的系统中，对点、边、拓扑信息的查询，都是通过存储引擎的接口进行查询，底层可能访问数据库或者文件，会有磁盘 IO 的开销。目前主流的数据库系统都提供内存缓存的功能，比如 Oracle，MySQL 等。还有一些内存数据库的厂商实现了基于内存的存储方案。基于内存的访问可以减少磁盘 IO 的操作，从而大大提高数据的查询效率。在图的数据存储中，点和边的存储可能比关系型数据库的存储更加分散，如果只提供磁盘访问的借口，可能会造成大量的物理页访问。这也促使我们选择内存缓存的方式保存图的数据。

• 事务处理中需要在内存中保存数据的版本信息，加速存储任务。

  • MVCC ( Multi-Version Concurrency Control)
  • Read Committed 和 Repeatable Read 隔离级别

• 为什么选择自己开发缓存系统，而不是引入开源项目呢？

  • 可以更好地适配查询引擎的实现，定义更契合查询算子的数据结构。
  • 可以更好地支持查询算法，定制更高效的访问接口。
  • 充分利用 Rust 语言来实现支持高性能高并发的缓存系统。

03 ArcGraph MemEngine 原理

实现一个图内存缓存，包括图的拓扑缓存（图的点/边拓扑关系数据，加速图的遍历）和图的属性缓存（点/边的部分属性数据）。同时支持数据的 MVCC 功能，支持高并发和高吞吐，支持读操作和写操作的并发，支持索引的修改和查询（包括 MVCC），提供 HA 场景下快速恢复的能力。

2.png

• 单机和分布式灵活部署

  MemEngine 既能部署在单个机器上，也能直接部署在有多台机器组成的集群中。

• 拓扑数据和属性数据分离

  在图的查询计划中，相比较于点/边的属性，拓扑数据（点和边的关系图）被更频繁地使用。为了更好地支持查询计划的执行，我们把本地所有点/边的关系图（拓扑图）加载到缓存中，而对点/边的属性，有选择地加载一部分或者全部不加载（由配置参数控制）。

  Q：为什么不用同一个缓存来同时保存拓扑数据和属性数据呢？

  A：出于以下几个方面的考虑：更方便地控制缓存的大小；拓扑数据比属性数据更"热"。

• MVCC

  ArcGraph 默认是支持分布式事务的，对于事务中修改过的数据，需要先在保存在 MemEngine 中，并且支持计算引擎访问这些数据，直至事务数据落盘后才可以从内存中移出这些数据。

04 ArcGraph MemEngine 实现

MemEngine 完全用 Rust 实现，按照图进行缓存，暂不支持跨图的访问。同时根据数据的特征，将数据分为拓扑数据（包括点和边图中的关系）和属性缓存（点/边的属性）。

3.jpeg

拓扑缓存

拓扑缓存包含当前图中所有点和边的关系，主要用来支持图的遍历，包含

• 查找指定的点/边
• 查找指定类型的点/边
• 查找指定点的 1 度或者 n 度关系或邻居

同时，为了支持事务的 RR（"可重复读"）的隔离级别，还在拓扑缓存中保存了点/边的版本信息，这些版本信息在插入点和边的事务提交时写入。

属性缓存

• Property Graph Model

  属性缓存支持缓存以 Property Graph Model 构建的图中的边和边的属性。点和边的属性值一般当作"温"数据来处理，即指将最近频繁使用的数据加载在内存中，而对其他属性值则不加载，从而节省内存的开销。

  目前我们只支持点/边级别的所有属性，没有对属性集中的列进行冷热分类。

• LRU + TTI 的特性

在实际的生产活动中，图中存在数据规模庞大的点和边，这些点和边的属性显然不能全部放入内存中，因为我们使用一定的缓存策略来管理内存中的属性值。例如我们默认的缓存策略是一种复合侧露：LRU（Least Recently Used）+ TTI（Time To Idle）。

为什么会选择这种组合呢？先来看一下各种策略在缓存中的应用。

• LRU 设定一个最大缓存容量的阀值，在内存中只保留温热的数据。如果实际数据超过了缓存的最大阀值，就会将最"老"的数据换出缓存，然后把新数据插入。另外一种策略 LFU（Least Frequently Used，通过统计数据的使用频率来进行换入换出决策。
• 是不是有 LRU 就足够了呢？答案是否定的。LRU 策略下，如果没有新的数据插入到缓存中，缓存中的数据会一直驻留在内存中，这就造成了资源的浪费。这时我们引入一种补偿策略------TTI，即如果缓存中的一条数据在指定时间内没有被访问过，就把它换出内存。这样就解决了数据一直驻留在内存中的问题。

MVCC

从上面缓存的设计图中我们可以看到，在 MemEngine 中 MVCC 包含两个部分，一部分在拓扑缓存中，一部分在属性缓存中。在拓扑缓存中，当我们插入或者删除一个点/边时，都会在 TopoCacheEntry 中添加对应点/边的 Delta 数据（包含点/边在拓扑图上可见性的记录），同时也 PropertyCacheEntry 中添加包含属性值版本的 Delta 信息；当修改一个点的属性值时，我们只保存属性缓存中这部分的 delta 记录。

Q：这样做的好处和缺点？

A： 好处是拓扑和属性的管理分开，可以分别设计更适合图遍历和适合属性更新的数据结构，提高数据查询和修改的效率；而且分开的数据也更容易管理。缺点是需要更多的索引空间来管理两个缓存，同时为了支持对缓存数据的并发访问和修改，需要更多的锁资源来支持读写的隔离和安全性。

索引数据

索引是数据库中经常使用的一种对象，它一般在点或者边的主键或者其他属性值上创建，用来加速对指定属性值的查询操作。例如下面的图中对一个点指定的属性进行查询，

4.jpeg

如果没有在点类型 person 的属性 firstName 上创建索引，查询计划会扫描所有类型为 person 的点，然后拿这些点的 firstName 属性值跟指定值（"John"）比较并过滤，时间复杂度为 O（n）。

当在点类型 person 的属性 firstName 上创建索引后，查询计划会直接用"John"这个字符串值在指定的索引上进行操作，根据索引算法的实现，时间复杂度为 O（1）或者 O（logn），查询计划效率的提升很明显。

目前我们的把索引的实现放在持久层，在内存中还没有实现索引的缓存。这种情况下，如果提供 Index 的查询功能呢？同时还要求能够支持索引数据的 MVCC 访问呢？我们选择将 Index 增量修改的部分以 Delta 记录的方式保存在 MemEngine 的 Index Buffer 中。当进行基于索引的查询时，先在存储层进行索引查询操作，获得查询结果 R1；然后再在 MemEngine 中对指定的索引属性值进行查找，获得查询结果 R2；最后再用 R2 合并 R1 中相同的记录，把合并后的结果作为最终结果返回。

向量数据

在 ArcGraph 中，可以原生地支持向量数据的存储，并支持实时的向量计算和基于向量索引的计算。在 MemEngine 中，原生地支持向量数据的多版本控制；并使用数据压缩和更灵活的缓存管理策略来更有效地支持向量数据的缓存和计算。

5.png

05 总结

总体来看，ArcGraph 图数据库引擎通过自主研发 MemEngine 等核心技术，实现了高性能的分布式内存缓存，大幅提升了图数据库的查询效率。MemEngine 采用拓扑数据和属性数据分离的设计，支持多版本控制 MVCC，可以大幅减少磁盘 IO 开销。它使用 LRU 和 TTI 相结合的缓存策略，支持事务的可重复读隔离级别，以增量方式支持索引功能。

当前 MemEngine 使用邻接链表结构，未来计划在计算优化、空间优化等方面进行迭代，通过数据结构优化、算法支持、向量数据处理等方式，进一步提升分布式内存缓存系统的性能和扩展性。

如对我们的产品或技术感兴趣，欢迎通过 business@fabarta.com 与我们联系。也可以点击阅读原文，了解更多我们的产品与解决方案信息。

本文作者

乔云从

Fabarta ArcGraph 架构师

负责 Fabarta ArcGraph 的查询处理器、表达式计算、内存引擎等模块的设计和实现。长期从事数据库内核开发工作，曾负责 SAP HANA 和 SAP ASE 查询优化器和执行引擎中多个功能的设计和开发。