一站式超大规模图计算系统
GraphScope 是阿里巴巴达摩院智能计算实验室研发并开源的一站式图计算平台。依托于阿里海量数据和丰富场景，与达摩院的高水平研究，GraphScope 致力于针对实际生产场景中图计算的挑战，提供一站式高效的解决方案。
GraphScope 提供了 Python 客户端，能十分方便的对接上下游工作流，具有一站式、开发便捷、性能极致等特点。它整合了智能计算实验室多个重要的创新性技术，包括 GRAPE，MaxGraph，Graph-Learn，分别支持图分析、图的交互式查询和图学习任务，引擎间使用 Vineyard 存储，提供跨进程，零拷贝的内存数据共享服务。其中核心优势包括在业界首次支持了 Gremlin 分布式编译优化，支持了算法的自动并行化、提供了企业级场景下的极致性能等。在阿里巴巴内外部应用中，GraphScope 已经证明在多个关键互联网领域（如风控，电商推荐，广告，网络安全，知识图谱等）实现了重要的业务新价值。
GraphScope 整合了达摩院的多项学术研究成果，其中的核心技术曾获得数据库领域顶级学术会议 SIGMOD2017 最佳论文奖、VLDB2017 最佳演示奖、VLDB2020 最佳论文奖亚军、世界人工智能创新大赛SAIL奖等。GraphScope 的交互查询引擎的论文已被 NSDI 2021录用。还有其它围绕 GraphScope 的十多项研究成果发表在领域顶级的学术会议或期刊上，如 TODS、SIGMOD、VLDB、KDD等。
欢迎访问我们的网站 graphscope.io 了解更多信息。
我们提供了一个基于 JupyterLab 的 Playground，您可以从浏览器中在线试用 GraphScope。
GraphScope 支持本地运行，或在 Kubernetes (k8s) 管理的集群上运行。为了快速上手，我们先从本地部署的方式开始。
使用 pip 安装 GraphScope。
pip3 install graphscope注意 graphscope 的版本要求，需要 Python >= 3.7 及 pip >= 19.0.
GraphScope 包在大多数流行的Linux发行版 (Ubuntu 20.04+ / Centos 7+) 与 macOS 12+ (Intel/Apple silicon) 上测试通过，对于 Windows 用户，需要在 WSL2 上安装 Ubuntu 来使用 GraphScope。
接下来我们会用一个具体的例子，来演示 GraphScope 如何帮助数据科学家高效的分析、处理大规模图数据。
ogbn-mag 是由微软学术关系图（Microsoft Academic Graph）的子集组成的异构图网络。该图中包含4种类型的实体（即论文、作者、机构和研究领域），以及连接两个实体的四种类型的有向关系边。
我们需要处理的任务是，给出异构的 ogbn-mag 数据，在该图上预测每篇论文的类别。这是一个节点分类任务，该任务可以归类在各个领域、各个方向或研究小组的论文，通过对论文属性和引用图上的结构信息对论文进行分类。在该数据中，每个论文节点包含了一个从论文标题、摘要抽取的 128 维 word2vec 向量作为表征，该表征是经过预训练提前获取的；而结构信息是在以下过程中即时计算的。
GraphScope 以属性图（property graph）建模图数据。属性图中，点和边都有一个标签（label），不同的标签有不同的属性（property）。
以 ogbn-mag 为例，下图展示了属性图的模型。
该图具有四种顶点，分别标记为“论文”、“作者”、“机构”和“研究领域”。有四种连接它们的边， 每种边都有一个标签，并且边的两端顶点的标签也是确定的。 例如，“引用”这种标签的边连接两个“论文”顶点。另一个例子是标记为“撰写”的边， 它要求该起始点的标记为“作者”，终止点的标记为“论文”。 所有的顶点和边都可以具有属性。 例如，“论文”顶点具有诸如发布年份、主题标签等属性。
执行如下命令载图，GraphScope 会自动下载数据：
import graphscope
from graphscope.dataset import load_ogbn_mag
g = load_ogbn_mag()我们提供了一组工具函数来载入 ogb 和 snap 中的数据集. 这里可以看到所有目前支持的数据集 here. 如果你想要使用自己的数据，请参考 这篇文档.
交互式查询允许用户以“探索性”方式来探索、查看和显示图数据，以方便的定位和洞察特定的深入信息。GraphScope 采用称为 Gremlin 的高级语言进行图遍历，并提供大规模的高效执行。
在此示例中，我们使用图遍历来查看两位给定作者共同撰写的论文数量。为了简化查询，我们假设作者可以分别由ID 2 和 4307 唯一标识。
# get the endpoint for submitting Gremlin queries on graph g.
interactive = graphscope.gremlin(g)
# count the number of papers two authors (with id 2 and 4307) have co-authored
papers = interactive.execute("g.V().has('author', 'id', 2).out('writes').where(__.in('writes').has('id', 4307)).count()").one()图分析是在真实场景中被广泛使用的一类图计算。事实证明，许多算法（例如社区检测，路径和连接性，集中性）在各种业务中都非常有效。GraphScope 内建了一组预置常用算法，方便用户可以轻松分析图数据。
继续我们的示例，下面我们首先通过在特定周期内从全图中提取论文（使用Gremlin！）来导出一个子图，然后运行 k-core 分解和三角形计数以生成每个论文节点的结构特征。
请注意，许多算法可能仅适用于 同构图（只有一类点和一类边而不区分标签），因此，要在属性图上使用这些算法，我们首先需要将其投影到一个简单的同构图中。
# extract a subgraph of publication within a time range
sub_graph = interactive.subgraph("g.V().has('year', gte(2014).and(lte(2020))).outE('cites')")
# project the projected graph to simple graph.
simple_g = sub_graph.project(vertices={"paper": []}, edges={"cites": []})
ret1 = graphscope.k_core(simple_g, k=5)
ret2 = graphscope.triangles(simple_g)
# add the results as new columns to the citation graph
sub_graph = sub_graph.add_column(ret1, {"kcore": "r"})
sub_graph = sub_graph.add_column(ret2, {"tc": "r"})此外，用户还可以在 GraphScope 中编写自己的算法。当前，GraphScope 支持用户以 Pregel 模型和 PIE 模型自定义图算法。
图神经网络（GNN）结合了图结构和机器学习的优势，可以将图中的结构信息和属性信息压缩为每个节点上的低维嵌入向量。这些嵌入和表征可以进一步输入到下游的机器学习任务中。
在我们的示例中，我们训练了 GCN 模型，将节点（论文）分类为349个类别，每个类别代表一个出处（例如预印本和会议）。为此，首先我们接着上一步，启动学习引擎并构建一个具有特征的数据图。
# define the features for learning
paper_features = [f"feat_{i}" for i in range(128)]
paper_features.append("kcore")
paper_features.append("tc")
# launch a learning engine.
lg = graphscope.graphlearn(sub_graph, nodes=[("paper", paper_features)],
edges=[("paper", "cites", "paper")],
gen_labels=[
("train", "paper", 100, (0, 75)),
("val", "paper", 100, (75, 85)),
("test", "paper", 100, (85, 100))
])然后我们定义一个训练过程并执行。
# Note: Here we use tensorflow as NN backend to train GNN model. so please
# install tensorflow.
try:
# https://www.tensorflow.org/guide/migrate
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
except ImportError:
import tensorflow as tf
import graphscope.learning
from graphscope.learning.examples import EgoGraphSAGE
from graphscope.learning.examples import EgoSAGESupervisedDataLoader
from graphscope.learning.examples.tf.trainer import LocalTrainer
# supervised GCN.
def train_gcn(graph, node_type, edge_type, class_num, features_num,
hops_num=2, nbrs_num=[25, 10], epochs=2,
hidden_dim=256, in_drop_rate=0.5, learning_rate=0.01,
):
graphscope.learning.reset_default_tf_graph()
dimensions = [features_num] + [hidden_dim] * (hops_num - 1) + [class_num]
model = EgoGraphSAGE(dimensions, act_func=tf.nn.relu, dropout=in_drop_rate)
# prepare train dataset
train_data = EgoSAGESupervisedDataLoader(
graph, graphscope.learning.Mask.TRAIN,
node_type=node_type, edge_type=edge_type, nbrs_num=nbrs_num, hops_num=hops_num,
)
train_embedding = model.forward(train_data.src_ego)
train_labels = train_data.src_ego.src.labels
loss = tf.reduce_mean(
tf.nn.sparse_softmax_cross_entropy_with_logits(
labels=train_labels, logits=train_embedding,
)
)
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate)
# prepare test dataset
test_data = EgoSAGESupervisedDataLoader(
graph, graphscope.learning.Mask.TEST,
node_type=node_type, edge_type=edge_type, nbrs_num=nbrs_num, hops_num=hops_num,
)
test_embedding = model.forward(test_data.src_ego)
test_labels = test_data.src_ego.src.labels
test_indices = tf.math.argmax(test_embedding, 1, output_type=tf.int32)
test_acc = tf.div(
tf.reduce_sum(tf.cast(tf.math.equal(test_indices, test_labels), tf.float32)),
tf.cast(tf.shape(test_labels)[0], tf.float32),
)
# train and test
trainer = LocalTrainer()
trainer.train(train_data.iterator, loss, optimizer, epochs=epochs)
trainer.test(test_data.iterator, test_acc)
train_gcn(lg, node_type="paper", edge_type="cites",
class_num=349, # output dimension
features_num=130, # input dimension, 128 + kcore + triangle count
)可以点击 node_classification_on_citation.ipynb 查看完整的代码以及执行结果。
GraphScope 是为处理超大图设计，而单机的内存通常不能够容纳超大图的数据。通过 Vineyard 提供的分布式内存数据管理服务，GraphScope 支持在 Kubernetes 集群上运行。
为了继续本篇教程，请确保你拥有一个 k8s 集群与相应的安全证书 （比如，k8s API 服务器的地址，一般存储在 ~/.kube/config 文件中）
另外，你也可以使用 Kind 部署一个本地的 k8s 集群，Kind 的安装和部署可以参考官网的 Quick Start。
如果你没有安装 graphscope 包，这里可以只安装客户端的包。
pip3 install graphscope-client接下来，我们在集群的环境下，回顾这个例子。
上图表示了用户通过 Python 客户端调用 GraphScope 解决该问题的工作流程。
- 步骤 1. 建立一个会话（session），为 GraphScope 创建一个工作空间；
- 步骤 2 - 步骤 5. 载图，查询，分析与执行基于图数据的机器学习任务；这些任务与本机安装的方式相同，因此用户在分布式集群上处理大规模图数据的体验与在单机处理小规模图的体验基本一致。(其中
graphscope.gremlin与graphscope.graphlearn要分别改为sess.gremlin与sess.graphlearn，sess为用户创建的Session的名字) - 步骤 6. 关闭会话。
使用 GraphScope 的第一步，我们需要在 Python 中创建一个会话（session）。
为了方便起见，我们提供了若干示例数据集，可通过设置参数 with_dataset 来挂载这些数据集到集群上，挂载路径是 Pod 中 /dataset。如果你想使用自己的数据集，请参考 这篇文档
import graphscope
sess = graphscope.session(with_dataset=True)对于 macOS，创建会话需要使用 LoadBalancer 服务类型（默认是 NodePort）。
sess = graphscope.session(with_dataset=True, k8s_service_type="LoadBalancer")会话的建立过程中，首选会在背后尝试拉起一个 coordinator 作为后端引擎的入口。
该 coordinator 负责管理该次会话的所有资源（k8s pods），以及交互式查询、图分析、图学习引擎的生命周期。
在 coordinator 后续拉起的其他每个 pod 中，都有一个 vineyard 实例作为内存管理层，分布式的管理图数据。
与本地安装的模式类似，我们可以使用工具函数来方便的载入图。
from graphscope.dataset import load_ogbn_mag
# 我们在上面的步骤中将数据集挂载到了 /dataset 目录，其中
# 有若干数据集，包括 ogbn_mag_small。
# 用户可以登录到container中并查看 /dataset 目录
g = load_ogbn_mag(sess, "/dataset/ogbn_mag_small")请注意，这里的 g 已经是一个分布式存储在 vineyard 中的图。图数据分布在这个会话背后拉起的 k8s pods中。
接下来，我们可以和单机模式中一样，执行 Gremlin 查询，各种各样的图算法，或者运行图神经网络任务。
我们不在这里重复代码，用户可以在node_classification_on_citation.ipynb 了解详细的步骤和代码。
最后，当我们完成所有的计算过程后，关闭当前的会话。该步骤会告知背后的 Coordinator 和引擎，释放当前所有的资源。
sess.close()请注意当前发布的版本没有包含一些例如鉴权、加密之类的安全功能，暂时不推荐在生产环境使用。我们后续会有一些安全性更新，请您持续关注。
为了构建 graphscope Python 包以及引擎，你需要安装一些依赖和构建工具。
python3 gsctl.py install-deps dev
# 如果在中国，加入参数 `--cn` 来加速下载
python3 gsctl.py install-deps dev --cn现在你可以使用 make 来构建 GraphScope
# 编译所有组件，包括 Python 包和引擎可执行文件
sudo make install
# 或者只编译指定的引擎
# make interactive
# make analytical
# make learningGraphScope 包含一个 Dockerfile，可以构建 Docker 映像。 这些映像会在单独的构建镜像上构建，完成后再复制生成的二进制文件到运行时基础镜像，进行分发。构建镜像和运行时基础镜像都预装了所有所需的第三方依赖和环境。要构建最新的 GraphScope 镜像，在 k8s/internal 目录运行此命令。
# 默认情况下，产出的镜像 tag 为 graphscope/graphscope:SHORTSHA
# cd k8s
make graphscopeGraphScope Python 包与 GraphScope docker 镜像是独立构建的。 如果您正在开发 Python 客户端且未修改 protobuf 文件，则 GraphScope docker 镜像不需要重新构建。您只需要在本地重新安装 Python 客户端。
make client请注意，图学习引擎的客户端具有 C/C++ 扩展模块，并需要额外的构建环境。 默认情况下，本地构建的客户端库不包含对图学习引擎的支持。如果需要构建包含图学习引擎的 Python 包，请参阅 构建 Python Wheels.
为了验证您所开发功能的正确性，您所做的代码更改应通过我们的测试。通过以下脚本执行测试流程。
make testGraphScope 的文档构建依赖 Sphinx。您可以自己通过以下命令构建一份完整的文档。
# build the docs
make graphscope-docs
# to open preview on local
open docs/_build/html/index.html或者最新版的文档也可以查阅这里 https://graphscope.io/docs
GraphScope 遵循 Apache License 2.0 开源许可协议。请注意，代码库中的一些第三方库可能有不同的开源许可协议。
- Wenfei Fan, Tao He, Longbin Lai, Xue Li, Yong Li, Zhao Li, Zhengping Qian, Chao Tian, Lei Wang, Jingbo Xu, Youyang Yao, Qiang Yin, Wenyuan Yu, Jingren Zhou, Diwen Zhu, Rong Zhu. GraphScope: A Unified Engine For Big Graph Processing. The 47th International Conference on Very Large Data Bases (VLDB), industry, 2021.
- Jingbo Xu, Zhanning Bai, Wenfei Fan, Longbin Lai, Xue Li, Zhao Li, Zhengping Qian, Lei Wang, Yanyan Wang, Wenyuan Yu, Jingren Zhou. GraphScope: A One-Stop Large Graph Processing System. The 47th International Conference on Very Large Data Bases (VLDB), demo, 2021
我们热忱欢迎和感谢来自社区的各种贡献！
- 在 Slack channel 参与讨论；
- 通过 GitHub issue 报告 bug 或者提出功能需求；
- 通过 Pull requests 提交代码修改。