NeuG 性能评测：双模式图数据库

本教程演示如何复现 NeuG 的基准性能测试结果。NeuG 支持两种执行模式：

• 嵌入式模式：直接在 Python 进程中运行查询，零序列化开销
• 服务模式：连接到 NeuG 服务器进行并发事务工作负载

我们对两种模式与行业标准数据库进行基准测试，展示 NeuG 的性能优势。

注意：LDBC SNB Interactive 基准测试部分仅涵盖复杂读取查询（IC1–IC14）。不包括写入操作和事务更新。完整的 LDBC SNB Interactive 基准测试教程将在未来版本中提供。

数据集：LDBC SNB SF1

两个基准测试使用相同的 LDBC SNB SF1 数据集：

• 节点：约 300 万（Person、Post、Comment、Tag 等）
• 边：约 1700 万（KNOWS、LIKES、HASTAG 等）
• 大小：压缩约 282MB，解压约 1.1GB

下载数据集

wget https://neug.oss-cn-hangzhou.aliyuncs.com/datasets/ldbc-snb-sf1-lsqb.tar.gz
tar -xzf ldbc-snb-sf1-lsqb.tar.gz

LSQB 基准测试（嵌入式模式）

LSQB  包含 9 个偏向分析工作负载的复杂子图匹配查询。此基准测试比较嵌入式模式下的 NeuG 与 LadybugDB。

关于 KNOWS 边的说明：原始 LSQB 基准测试假设 KNOWS 关系是双向的（即如果 A 认识 B，则 B 也认识 A）。在我们的测试中，我们修改了所有涉及 KNOWS 边的查询以使用有向遍历（-[:KNOWS]->）。此调整允许 同一 LDBC SNB SF1 数据集用于 SNB Interactive 和 LSQB 两个基准测试，因为原始 LDBC SNB 数据中的 KNOWS 关系是单向的。此修改不影响评估图数据库查询优化和执行能力的公平性。

查询描述

运行基准测试

# 创建虚拟环境
python -m venv neug-env
source neug-env/bin/activate
 
# 安装依赖
pip install neug real_ladybug
 
# 运行基准测试
cd neug/examples/lsqb_benchmark
python run_benchmark.py --data-dir /path/to/ldbc-snb-sf1-lsqb

使用 --force 覆盖现有数据库。

预期结果

在 Apple Silicon Mac (M1/M2/M3) 上，NeuG 仅用单线程就在 9 个查询中的 8 个获胜，即使与 LadybugDB 的最佳多线程结果比较：

NeuG 在复杂的多连接查询上表现出色，在三角形模式（Q3）上实现了高达 287x 的加速，在多跳过滤（Q2）上实现了 91x 的加速。LadybugDB 的多线程优势在简单的遍历查询如 Q6 上体现。

LDBC SNB Interactive 基准测试（服务模式）

LDBC SNB Interactive  包含 14 个复杂读取查询（IC1–IC14），涵盖多跳好友查找、最短路径和聚合。此基准测试比较服务模式下的 NeuG 与 Neo4j。

查询描述

运行基准测试

# 启动 Neo4j 服务器（可选，用于比较）
docker run -d --name neo4j \
  -p 7474:7474 -p 7687:7687 \
  -e NEO4J_AUTH=neo4j/neo4j123 \
  neo4j:latest
 
# 创建虚拟环境
python -m venv neug-env
source neug-env/bin/activate
 
# 安装依赖
pip install neug neo4j
 
# 运行基准测试
cd neug/examples/ldbc_interactive_benchmark
python run_benchmark.py --data-dir /path/to/ldbc-snb-sf1-lsqb

预期结果

在 Apple Silicon Mac (M1/M2/M3) 上，4 个并发客户端运行 300 秒：

吞吐量比较

NeuG 实现了 Neo4j 50.6x 的吞吐量。在延迟方面，NeuG 的 P95 仅为 20.6ms，而 Neo4j 的 P95 达到 1,728ms。

单查询延迟（P50 ms）

NeuG 在 14 个查询中的 10 个获胜，在复杂的多跳和聚合查询上实现了显著加速。

为什么 NeuG 更快

NeuG 的性能优势来自：

嵌入式模式优势

1. 图原生查询优化器：GOpt  执行基于代价的优化，具有图特定的基数估计。

2. 列式向量化执行：高效的内存管理和缓存友好的遍历。

3. 零序列化开销：进程内执行，直接内存访问。

服务模式优势

1. MVCC 并发控制：高效处理并发事务而不阻塞读取。

2. 久经考验的引擎：NeuG 基于 GraphScope Flex  构建，该引擎在 LDBC SNB Interactive 上 创下世界纪录 ，达到 80,000+ QPS。

可复现性

所有性能结果均可独立复现：

• 数据集：https://neug.oss-cn-hangzhou.aliyuncs.com/datasets/ldbc-snb-sf1-lsqb.tar.gz 
• LSQB 脚本：neug/examples/lsqb_benchmark/
• Interactive 脚本：neug/examples/ldbc_interactive_benchmark/
• 教程：neug/doc/source/tutorials/benchmark-neug-dual-mode.md

如果您在复现这些结果时遇到任何问题，请在 GitHub Issues  报告。