データベース

Amazon Neptune でグラフデータベースを構築 - ナレッジグラフとソーシャルネットワーク分析

Gremlin と SPARQL の 2 つのクエリ言語でグラフデータを操作し、最大 15 のリードレプリカでクエリスケーリングを実現する。Neptune Analytics によるグラフアルゴリズム実行とベクトル検索の活用法を解説します。

約 2 分で読めます

Neptune の概要

Amazon Neptune はフルマネージドのグラフデータベースサービスです。プロパティグラフ (Gremlin/openCypher) と RDF グラフ (SPARQL) の 2 つのグラフモデルをサポートし、ソーシャルネットワーク、レコメンデーション、ナレッジグラフ、不正検知などのグラフベースのユースケースに最適化されています。RDB で多段階の JOIN が必要なクエリ (友達の友達の友達を検索) を、グラフのトラバーサルとして自然に記述でき、データ量が増えてもクエリ性能が劣化しにくい設計です。ストレージは最大 128 TiB まで自動拡張され、3 つの AZ に 6 つのデータコピーを保持する高可用性アーキテクチャです。

クエリ言語とデータモデル

Gremlin はプロパティグラフモデルのトラバーサル言語で、頂点 (ノード) と辺 (エッジ) にプロパティ (キーバリューペア) を持たせます。g.V().has('person','name','Alice').out('knows').values('name') のようなトラバーサルで、Alice の友人の名前を取得します。openCypher は Neo4j 由来の宣言的クエリ言語で、MATCH (p:Person {name:'Alice'})-[:KNOWS]->(f) RETURN f.name のようなパターンマッチングで直感的にクエリを記述できます。SPARQL は RDF (Resource Description Framework) グラフ用の W3C 標準クエリ言語で、ナレッジグラフやオントロジーの構築に適しています。同一クラスター内で Gremlin/openCypher と SPARQL を同時に使用できますが、データモデルは別々に管理されます。

Neptune Analytics とベクトル検索

Neptune Analytics はグラフデータに対してグラフアルゴリズム (PageRank、最短経路、コミュニティ検出、中心性分析) を実行するサーバーレスの分析エンジンです。Neptune Database のスナップショットや S3 のデータを取り込み、数十億エッジ規模のグラフに対してインタラクティブなアルゴリズム実行が可能です。ベクトル検索機能も統合されており、グラフのノードにベクトル埋め込みを格納し、類似ノードの検索をグラフトラバーサルと組み合わせて実行できます。たとえば、ナレッジグラフのエンティティにテキスト埋め込みを付与し、セマンティック検索とグラフ探索を統合した RAG パイプラインを構築できます。 グラフデータベースの設計についてはAmazon の関連書籍も参考になります。

Neptune の料金

Neptune Database の料金はインスタンス、ストレージ、I/O で構成されます。db.r6g.large (2 vCPU、16 GiB) で約 0.348 ドル/時 (東京リージョン) です。Neptune Serverless はキャパシティユニット (NCU) ベースの課金で、最小 1 NCU から最大 128 NCU まで自動スケールし、NCU あたり約 0.1098 ドル/時です。ストレージは GB あたり約 0.11 ドル/月、I/O は 100 万リクエストあたり約 0.22 ドルです。Neptune Analytics は処理ユニット (PU) あたりの課金で、分析の実行時間に応じた従量課金です。

まとめ

Amazon Neptune は Gremlin、openCypher、SPARQL の 3 つのクエリ言語をサポートするフルマネージドグラフデータベースです。Neptune Analytics によるグラフアルゴリズム実行とベクトル検索の統合で、ソーシャルネットワーク分析、ナレッジグラフ、不正検知などの高度なグラフベースのユースケースに対応します。

関連するサービス

Amazon Neptuneグラフデータベースをマネージドに提供し、高度に接続されたデータセットを処理するサービスAmazon S3スケーラブルなオブジェクトストレージサービスAWS Lambdaサーバー管理不要でコードを実行するサーバーレスコンピュートサービス

関連する記事

Amazon DynamoDB のテーブル設計パターン - シングルテーブル設計と GSI の活用DynamoDB のパーティションキー設計、シングルテーブルデザイン、GSI によるアクセスパターンの実現を解説します。Amazon DocumentDB で MongoDB ワークロードをマネージドに運用 - ドキュメントモデルとクエリ設計MongoDB 互換 API でドキュメントデータを管理し、最大 15 のリードレプリカとグローバルクラスターで読み取りスケーリングと DR を実現する。エラスティッククラスターによるシャーディングの活用法を解説します。AWS CloudFormation で実践する Infrastructure as Code - テンプレート設計とスタック管理テンプレートでインフラを定義し、変更セットで影響範囲を事前確認する。ドリフト検出で構成の逸脱を検出し、スタックセットで Organizations 全体に一括デプロイする手法を紹介します。

同じテーマの記事

Amazon Aurora Global Database で実現するマルチリージョン構成 - DR とグローバル読み取りの設計ストレージレイヤーの物理レプリケーションで 1 秒未満の RPO を実現する。計画的・非計画的フェイルオーバーの手順と、Write Forwarding によるグローバル読み取りの活用法を紹介します。Cassandra 互換データベース - Amazon Keyspaces で実現するサーバーレスな分散データベースAmazon Keyspaces (for Apache Cassandra) と DynamoDB を活用した分散データベースの設計・運用方法を解説します。Amazon DynamoDB Accelerator (DAX) でマイクロ秒レイテンシを実現 - インメモリキャッシュの設計DAX による DynamoDB の読み取り高速化、キャッシュ戦略、クラスタ設計を解説します。ドキュメントデータベース活用 - Amazon DocumentDB と DynamoDB で実現する柔軟なデータモデリングAmazon DocumentDB と DynamoDB を活用したドキュメントデータベースの設計・運用方法を解説します。Amazon DocumentDB の Change Streams で構築するイベント駆動アーキテクチャDocumentDB の変更データキャプチャで Lambda トリガーと連携し、リアルタイムデータ同期のイベント駆動アーキテクチャを構築する手法を紹介します。Amazon DocumentDB で MongoDB ワークロードをマネージドに運用 - ドキュメントモデルとクエリ設計MongoDB 互換 API でドキュメントデータを管理し、最大 15 のリードレプリカとグローバルクラスターで読み取りスケーリングと DR を実現する。エラスティッククラスターによるシャーディングの活用法を解説します。Amazon DocumentDB で運用する MongoDB 互換データベース - 設計パターンとスケーリングMongoDB 互換の DocumentDB でインスタンスクラスを選定し、Elastic Clusters によるシャーディングでスケーラビリティを確保する。バックアップ戦略も紹介します。Amazon DynamoDB のテーブル設計パターン - シングルテーブル設計と GSI の活用DynamoDB のパーティションキー設計、シングルテーブルデザイン、GSI によるアクセスパターンの実現を解説します。

内容が近い記事・サービス

グラフデータベース - Amazon Neptune で実現する高度な関係性データの分析と活用Amazon Neptune によるグラフデータベースの構築と、複雑な関係性データの分析手法を解説します。ソーシャルネットワーク、不正検知、ナレッジグラフなど、グラフモデルが威力を発揮するユースケースと設計パターンを紹介します。Amazon Neptuneグラフデータベースとして Gremlin、openCypher、SPARQL をサポートし、数十億のリレーションシップを低レイテンシで探索できるフルマネージドサービスAmazon Bedrock でナレッジベースを構成する際に使用される検索手法はどれですか。AWS の用途特化型データベース戦略 - 15 以上の専門データベースが示すワークロード最適化の思想AWS が提供する 15 以上の用途特化型データベースサービスの設計思想を、Azure Cosmos DB の統合型アプローチや GCP の Cloud Spanner/Bigtable と比較し、ワークロードごとに最適なデータベースを選択できる利点を解説します。