這個概念跟關系型數據庫的表分區是類似的，也就是在圖結構數據量非常大的時候，怎么通過分布式的形式對圖進行切分。

在關系型數據庫的表分區的應用中

我們對表進行分區可能需要考慮的目的主要是：
? ? ??一個表存為多個分區之后的join和查詢的問題。
? ? ??同理：我們在設計圖分區策略的時候同樣需要考慮的是，圖進行分區之后，在做圖迭代算法（并行計算）時，最小化在數據量的傳輸，最小化IO操作，只有減少這部分的開銷，才能提高圖分區的性能。

一般而言，業界主要有這么幾種分區的技術：

edge-cut：邊分割

? ? ??邊分割的方式一般適合在圖數據中low-degree的數據分布中，也就是中圖的連接入度或者出度（有向圖）比較少的情況，這樣vertex的分割就會比較均勻，減少跨多個集群的數據交換；

vertex-cut：點分割

? ? ??點分割的方式跟邊分割的情況相反，在high-degree的圖數據分布的情況下，也就是節點的度特別大，通過點分割，就能夠同樣減少跨多個集群的數據交換，同時減少節點的副本；如PowerGraph的實現方式；

hybrid-cut：動態混合分割

? ? ??混合分割的技巧通常需要依賴于圖計算架構采集的動態的統計信息，

• 首先需要對圖的數據分布情況做估計，
• 然后再決定圖分割的策略，使用點分割還是邊分割的方式，

這種分割方式比較復雜，如Flink Gelly圖計算架構就采用這種混合的分割方式；

hash/random partitioning：哈希，隨機分區

這種分區方式比較簡單粗暴，一般是使用邊的hash或者節點的hash來分區，這種方式分區比較簡單，但是性能不能保證；

比如OrientDB采用的就是基于hash的分區方式；

總的來說，使用分區技術的圖分析架構，一般都是定位為OLAP的解決方案，目前還沒有OLTP性能不錯，也支持分區的圖數據庫引擎，商業產品TigerGraph和微軟的GraphEngine是少數宣稱既支持OLAP也支持OLTP的產品，后續的文章可以重點分析分析

詳細請參考：https://blog.csdn.net/temotemo/article/details/83382835
本人還是似懂非懂，以后慢慢補充！！！

總結

以上是生活随笔為你收集整理的图分区技术基本概念【1】的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。