接下来的通讯给主持,来自Netograph 不思维其实思维之前也是在大陆工作多年我这两个月已经出去了然后今天这次还从外地过来从上海来到大陆给大家做一个Netograph在Depth Cycle上面的实践我们先把时间给这个思维那自我介绍就我是现在是在上海但是我是没去多久之前一直在大陆,我之前在大陆那里信然后我之前好多年一直在做Infrastructure Service就是Opestate NetworkNetograph都开发了然后像刚马老师提到Rust BMMTaste Open Infrared然后我在Rust BMM的Io Cartoon里面有TIA跟线然后我是一个非常热爱的开源人然后我跟小马一起我们也做了一个跟开源相当的博客大家可以关注一下然后这是我的就是然后我也是那个跟金桃一样是那个微软的MVP然后这是我的推特Gate hard code的网站在我的网站分享很多开源然后也不是这样的语言然后主要是跟Graph就是图相关的一些图计是相关的东西然后今天我们这个Slide在这里面可以现在就可以放得到如果想要back and forth去看其他信息也可以看得到可以相信这些带来的然后今天我会从三方面讲这个主题主题是就是怎么用知识徒步然后Graph这个东西去帮助我们在这个原生不带帽子里面一个细分的方向其实还有其他的场景我介绍一个场景然后我会先讲的介绍什么是Graph大家知道什么是Graph是什么是Graph Database就是可以提前说过或者用过然后我会先给大家解释一下然后就分享一下就是我为了准备这个topic是自己动了一份就是在OpenStats上用几种方法抓取一些里面的信息然后变成图又会介绍什么是图然后又在Quantities里面做了一样事情然后怎么如果我们想把这个图的能力带到我们原生的生产里面大概是什么样的流程怎么一个参考的架构然后整个过程其实我都已经有一篇文章分享然后但那个文章也只有OpenStats没有Quantities后边我们分享第二图然后但是带码其实我后边会有就是全都是开源的你可以再用照入我那个在你自己的环境里面单击你就可以跑然后最后我可以介绍当我们set up 起来整个Graph之后可以做一些比较有意思的事情首先就是图了那这个图其实就是数学里面的那个图论的那个图它是一个一个Turbo的问题最开始这个term被提出的时候甚至是100多年前在欧洲一个手势里面看到就大家有两个盒然后这盒把手势分了几块然后盒上是有桥的当时是有七座桥现在已经不是了你在那个Google Map查看当时有人第一次提出了一个问题就是你这七个桥七桥问题大家知道吧你怎么样可以走便利所有的路地不重复走桥然后把它走通那著名的西桥后来是被严格的证明就是不可能的那研究这个问题的那边论文是第一次开始研究图论的问题当我们研究这个问题的时候实际上我们把它抽象到中间这样到左边这样最后其实你们发现这个问题路地就是一个点然后桥就是它们这边那研究这种点个边的这种小事的问题就是图论那所谓的图技术其实就是我们现实生活上很多事物其实都可以我们非常关注这种抽象然后卖不到这种模型之后解决了很多问题那我举一个简单的例子就是比如说就是比如说我们在Google里面这个Google里面你搜比如说MCU Nebula它右边这个图案其实就是基于图这是图谱的然后比如说我们所谓姚明七子的年龄那这个答案其实就不是基于那种比较买衣服的那种到台搜索能够满足的那这个背后其实就是Knowledge那这个KnowledgeGoogle最小提出KnowledgeWrath的概念就是知识图谱那知识图谱是图技术的一个比较直接的一个一定应用的场景那其实还有很多其他的场景了那有点挑衅养不好意思那我当我们应用图谱图技术的时候有那么几个方面有不同的系统应对呢我我现在工作的这个项目是一个叫Navagraph的一个开源名称不是图数据固那图数据固是图技术里面的一环一会儿我会给它接触接触出了这个还有其他的几个出现然后呢那这里边我想比较其实当我们石油画图这个数据的时候我们当然就逻辑项目是可以把它图成表用各种各样的relational还是各种气象弄色头都可以存那问题其实就是解方面一个就是query language如果你用server的话和你用图的这种查语语句的话它的那个效果是不太一样的就是你知道一个复杂就是这种一跳的两跳的查语你去就是nasty的这种装饮其实是很可怕的那复杂的东西在工程里面其实意味着很多很多其他的问题对吧那但是这不是最核心的核心其实是性的那我先把用这个粒子去解释图数据固就是虚伪非图的数据固的差异就是我先把它凑好了我给大家想象那个邮件在宝儿上就是一个比较强硬的比较牵强的一个比率就是刚刚那个雪人兄弟的每个台梯我们可以认为是传统的davis里面的那些表那你可以认为当我们做图的这种探索的就是从一个点跳到另一个点再跳10个点就每一跳这种的图的这种我们叫拓展它其实在你传统的非图数据就是表解多数据固摆其实蛮不可以的那你可以做一些索隐做一些工作然后吹到品牌然后让它写的时候难一点读的时候跑一点但本质上的这个索隐因为你是面向表情处的就是你可以做到一种加速但是你并不能就是真正的解决这些问题就是还是很困难为了学习的数据量变大非常慢那我刚刚因为那个有点吵就停掉了那个游戏里面其实有一个道具就加了之后你的脸变得很大然后就可以飞起来然后它就可以类比到我们图书理库里面的查询就是我们是面向图去做存储的话你的每一跳其实可以进入O1的Cost所以你可以这么先就是如果大家还不了解然后可以这么理解就是图书理库面向这个票转据设计那它很快就当你的数据量大你可以很massive的一来就有多跳查询图某程度查询的话就是如果就是提前出优势可能你的这个查询你用非图书理库你可能需要半天或者是50分钟那也许在图书里面让它是好妙计的就是那这个在你业务上其实就有差别了那我会开始介绍一下就是图书理库有什么有什么那个应用场景其实大概有就是你直接说出来还有十几个是已经被证明非常非常好用然后压到什么优势带来能与不能的那种区别那我我们今天的这个讨论的其实这个点就是那个戴星星的那个就戴四个奥斯但其实我也是执行了一点这比如说SBLM还有一些security的一些比如说CVE然后你所有文件的hash然后还有elite什么的就是这个东西也可以用图但是我这次都没有设计到OK那现在是第二个第二个部分就是大家我们想要构建一个这样一个图那假设你的inferno里面有有Ice那Ice假设你用的是Onset那你的那个Onset你用的是Kubernetes那我怎么样可以让这个戴四个奥斯通过图的助力变得做一些更有趣我跟奥斯要的事情那军省做第三步的事那怎么把这个图set up起来我们可以怎么把这里面重要的信息因为我们有海量的数据海量的set那如果我们不能获得inset的话那所有的信息都淹没在里面其实我们就其实就另五道尽管你都存在在你系统里都有那一个一个典型的一个我flow的话我会说太细就大概你会先分就是你比如说你的Kubernetes里边各种各样的results或者是一些annotation as label就各种各样的secret format就是所有这些东西其实都是 entity那他们之间的这个你可以先挑出你去关注的 entity比如写的 entity就是你大概要设计这个图里面是什么样的结构有什么样的事情然后下一步你要定义这他们的关系比如说Declament和这个State for Set他们之间可能有什么关系那就是一次来就是你可以把你们想象的直接的关系你就把它画出来然后当然有些签计的关系你也可以也都画出来然后这个关系要怎么抽取那你把一个大概思路想好之后就被实现了那当你实现好之后你就去set up这个etl的这个 pipeline你一样去铺一样去铺实还是说不了解的一些draged然后你去把这些关系关系把它都抽出来然后就放到一个图书图铺里面这样的图铺就建立起来了那我在我可能一会儿会分享一个 repo我目前做的这个实验大家这个会上不会介绍那么细但是大家如果感兴趣可以去看我们的代码是开源的我在 onState里面是用到了push和poo两个我都做了一遍然后就是所谓的push其实是从这个集讯到图的这个方向是push的那我我当时在 onState里做法是它 onState里的集讯内部是有一个 message queue那我在这 queue里面去订阅相关资源涉及到更改的一些实验那这个时候就能做到这种一文的追问的方式那同时我也写了写了就是当然有签字去帮我了就是写了十几个 onState里面调用API然后去资源变成关系的这样的leaves那这就是poo的模式那你真正落地的时候你可能要用一些达格的一些一些一些工具帮你就要flow出来的达格翻这个 pipeline setup 起来然后它能出去那push那边我我没有实现就是push的leaves的时间来不及了那push的话你可以用API的那个washing api做leaves的事情或者自己实现的什么放到这个跟众服line里的那些逻辑也可以做然后当然我实现了两个意思一个是基于API的这个leaves的API就是直接去poo的模式也是取了大概十几个十几个资源然后把他们之间的关系给抽象出来然后另外我做了一个有趣的场试我用了那个EBPF然后就是因为你在API里面能够获取到的信息其实是显性的就是你知道了那有的时候比如说你用EBPF可以就有时候你的traffic 或者你的项目或者你的application如果复杂之后你是没有那么了解你没有你经常在带了评写没有你那么你别在那里了解你的那个traffic的那个pattern所以有的时候你用EBPF去抓你去反而去抓你的这个整个traffic的话也许你会得到不一样的invite那你可以定一个threadhold就比如说你这个traffic超过多少个把这个那个pattern是没有pattern下车就这样一个边这是一个非常出席的自然的一个想法那如果大家都有自己的一个场试你可以map一下看看你可以做什么更多有意思的抽象的边那这个就是我刚提到的就是这个我怎么抽取的这个我就不详细了但是这个代码是开眼前可以在这里看到然后这个就是那个那个就是Kubernetes就是Food的那个例子然后Kubernetes的那个代码可以在下面那个然后我那个时间关系我就不想进去介绍了这个就是那个Food的那个模型Priotic其实是Latch代码其实在下面它可以去关改成一关右边那个就是我那个EBPF我用的是那个VCC里边的那个CCP tracer我用一个node在里边就跑了然后解析那个最后拿下来然后右边是那个代码那跑我们第三个部分就是那就是我假设我们现在已经就是三大型的基于Infra上的这个码那我们可以先做一个办法基本上就是我们当然你利用码做我们的事情的时候我们大概一个mime码就是我们会利用和说话的这种情况先快速地对一群宝儿的同志问你选择了几个点然后你探索了几型布然后看着有什么然后在这边尝试嗯比如说你展开出来的图你看着有什么然后也是能进发一些资源赛或者说你在里面做特律拍摄的这场试验或者在那边跑这些图就算了就已经介绍了然后你拿着这段你不理不得也带着之后去验证你的想法如果都可以那最后你可能落地到英雄里面应该要说实话当然你说实话是可以作为你的某一个report或者分析的输出但是你最后落地到你的系统里面可能就会比如说分析的时候你可能在元气里面然后最后落地可能是分布式的土的音乐回头一路路又介绍了那还有一点要强调的就是传统我们在访问的时候按照访问的这种规则可以不严谨的分析三个这个类型我把它叫做query-based还有album-based所以最后一步的单列其实不是特别严谨叫gngn是伙扒和牛肉难度就是这个神经网神经网络就是在这个大阶级我曾经火热火热的这几个月之前我们在那里面最fancy最有型火热的这个方向就是伙扒和加上什么gn就是这个这几年就是ai的论文在大阶级之前就是这个其实它其实非常好一会我给大家介绍所以我们在利用的土的时候基本上是利用的第三种一会我给大家介绍我实际的例子也是按照这三个也不许分的OK这个就是我我想说的是我们在试验的时候就自己把二人念念最绝对是很落地可能是你的dial选择中部礼貌一个比如说跟观测性混贴polis定义在query-based的一些机制可以利用土的能力做更加那些现实更加高效或者以前都不干涉一些pattern matching那这个就是你在利用核实话还是还有我们人人脑上的v2以及这些一些隐藏的信息那这个应该就是然后这个就是我那个把用我刚才写的代码抓去了自己本地一个medicube和cluster里面的信息然后这个我应该是跑了一个跑了一个跑了两个算法跑了一个节点状况性可能是patreon然后又跑了一个vm之类的就是cluster detection就是检测这个土里面的聚合的这个社区聚集的程度然后把不同的化设的cluster标记动物颜色那其实这个光这个重要性就是它体验的这个点的大小然后和这个颜色的标准其实体验的聚集的社区这个因素来的其实应用到我们的dagos里面其实就是没有就是你可以这个可以做一个tag或者是后面会介绍了比如说一些信息的传递然后一些推理OK这个我是弄了一个稍微fancy一点的一个一个那个什么就是我想说就是你从一个点比较起下来的水上这个真粒耳底感觉啊就是大概是你从一个点探测出去的一个幸福的效果但是就是大家听不懂首先我们介绍这个very-based的一个例子那就是就像我们列四个就是图书的点的查准其实它就反弄可以在图上实施的做查准的一些模式第一个叫get subgraph这个subgraph其实整个图上一个一帧字图那一般就从一个点还是像刚才那个拓散的东西就是一个字图拓大的过程有的时候我们可以想看这一点能像关联当中一定是关联的关系可以出现这个可以取一个字图那第二个是 find path第二个是 find path可以找所有的找dst最短的这次图件是你在表写的过程里面不断地去寻换也可以做简单装再次你想说两个字之间的那一边的多套的路径和连续连续这样的这两个字看起来没关系实际上是有关系的可能能找出来那这里在Vitory图里面是相当难得的最后一个Mesh就是中间你可以用ask的这种方式去写这种方向组号上的必要的这两个字你可以写复杂的模式它可以直接写出来比如说这个这里说我一个其中一个查证结果了那第一例子比如说高级或者一些状态的一些传播比如说我这个里面的例子应该是Onsetide的这个例子我已经查那这很简单的就是上面这个里面是GPU的大约多少然后它是几条连接下边这个就是在iS里面就是你可以有二十三层能力跑个连接然后它可以方便的去查就是呃跟比如说你有一个你有一个VM或者是Escape就是逃一来的或者是你扫出来有一个严重的问题或者是你跑了一个别人会跑的一个时间那你在图上是可以就是帮你快速的去传递这个信息或者说你有一个对你的VM比如说Escape的话呢你理论上你应该传递到这个hose当时都有其他的VM那hose算了其他的VM你又再去把落了二十三层连接到很多其他的VM那就这些这个状态是需要被比较方便的传递那用途就是可以做的对这个就是一个传递的一个例子下一个例子这个对这个我刚刚说的就是你你有一个VM假设有各种各样的问题或者你很关注它那它是可以就是在图里面很容易一下就查出它很多很多不同类型的关系这个我具体我就不解释了就是刚刚看我的网站里面最近的一天不知道我就是假设就是所有的这个例子每个的具体怎么查然后它的意义还小好今天就不详细查而这个就是也是柯尔伯斯就是切根铆的那些血关系就是说查出我们就不看了直接看一图这个图应该就是右上角的一个图就是假设它是一个VM假设它里面的sink被发现已经泄漏了或者是它里面它的这个VM它的这个volume里面扫出什么不对的东西那你可以查询血源比如说它的这个volume是从另一个VM去铺的然后这个VM是从另一个VM stable shot去创建的然后那个那个也会被其他的VM创建然后用于共同挂载就是这种所有的关系你在图上是容易就是好样子的查到而且你在定义你的这种安全还是高级还是可观的那些指标的时候去用图去表扬就是你发现的表现力超强这个钱不敢扫的事不可能但是在里面是容易工作的而且有的时候是稍微努力气这个是另外一个一个理论详细解释那个文章里面有能详细的解释然后这个是潜在的安全的隐患的范围这个里面的查询写的很长就是match pattern写的很复杂就是也是一个这样的意义就是我就不想清楚了这个它这个图里面能看出没有意义的事情然后在我的文章里面有介绍然后这个就是图本S这个我中拥图本S的意思就是假设这个pull的被讨议了或者compromise然后它可以就是瞬间的关系这个关系不只是那个API里面也有就是你其他的方式推理或者是将我用EPI或者用其他的这些信息传到一起的所以不是那么简单的通过querycompromise API写的那个pattern的戴尔能那么容易做就是一戴尔把他放到图里以后所有的这个复杂的toll的ZRpattern都很容易表达很多事情都变得不一样那当然你们可以用它做继续的调整就比如说你的work of placementscassory的一些策略还有一些像刚刚听到的情况你可以去里面request的一些资源page所有的信息文都放在图里就是你图上如果应该有证实的话都可以通过一些查询去推理出来这个例子我后面会发的这张词详细的介绍好这是第一部分就是继续查询的那这个形式是最大是最直接的那我可以做很有意识的事情这个是会进于通算法的那就是我快速说这个常见的通算法就是大家应该不要说就配数上就是最开始Google用来做它所有引擎但现在所有引擎不用了它太简单了但是在很多其他领域这个排程背里我们应用它就是算通过你这个点和点中间你记得这个各种一个迭代算法的通上来不断地算最后能算出来每些点也要重要那最开始Google的排序这个配置就是Google创始人Advertisement的那个名称当然也是那个那个小个的就是网页的那个双贯那K-20类似的一个也是这种目的的算法还好又有一个不一样还有一些类似的算法出来的就是它定义一种一个两度就说你这个点在一个两点之间或者两点之间的最小的那个最短的东西就是通过的这个点那你这个点就会有更高的这个重要性也就是强调解的那个重要性那在图上说的这个运算它能够获得另一个假如的节点重要性的一个信息那你关注不同的这个你的问题如果关注于这个连接那不同的类型的这个算法其实能够给你不同的信息类似下一个Label FoundationLubin还有那个Connected Performance它能去使就刚好表演色但是不同的方式去运算这个社区是别的算法那后边还有一个就是相思信息我就不想起书了后边应该会有人这样想起的介绍那这个就是下面的代码就是因为我写的一个项目Label和AI的一个一个酷你可以很容易的从这个图控里面就解航代码你就能把一个图堵出来然后运算那个跑一个配合代码跑到Lubin然后又把它图挂出来就这些然后就能得到这个刚才那个效果对 就这个效果就你写了图上这个是Connected那一张图然后它这个按键其实是黑转然后那个颜色跟它的这个设讯它的那个聚集的花粉然后一个意思在就是刚做那个标签转过就是如果有的时候你在图里面你标准一些信息就是在指数里面比如说你认为这个可以的或者那个点是怎么着的你用这个Urbation是可以帮你在图里面不断地传播然后获得更多的信息那这个特别简单就是在机器训练也就是你的时候你的这个标准不够的数据以上的话具体这个例子的具体我在下一个文章里有一个展示有一个代码那我给你讲我给你这个时间关键我给你讲一下这个Similarity就是看这个相似性那你其实比如说你在机器里面有一个资源它出了一个很严重的问题那你可以用这个一些相似性的算法去帮你获得这个点的就是比如说这个点像是相连的10条子比如说你获到前一个点不用全图把这些前两点就算一个跟你出的这个点或者是你关注的这个点做一个接卡者的那个Similarity的运算都是被相关的点然后这样的话你可以提示给说Amy应该关注这几个点这个也是一个可以做的放在DiOS那个路口里面放在那一款都可以观测性还是抛了点风险都可以这边我列举了很多因为时间关键有价以后我会发生这样的介绍当然到这儿的话到这儿的时候我在这个说话的原谅系内部做的运算说实验的那边是平时过程的最终落地的话最终说在分目试里面大压上算了这里就是你可以把它拖转到出去定义一种代表结果落地是真物室去大海洋里面出去一算然后这里就是设计实验的算法然后你可以帮同你去做一个打标签搭上你自己比如说国安安室各种CRD各种样子里面本身是有贼报的信息但是其实很多那你用这个就是比如乳温的算法可以帮你做一个他们的带手内部的一个划分这个也是一个有用的颜色然后这个重要性的话就是带手我就不想听但是它的用力我也不会想比如说你找到你定义这个Alarm的级别因为刚刚刚讲的如果用海洋的Alarm海洋的乳温那就没有就把信箱太过载你用这个就可以帮你挑出来是比较重要或者是你的集群里边就是有没有哪个点是一幅带包呢怎么开的叫Fragic比较脆弱的那你不再帮你提示出来那也可以帮助你优化的安排对吧不要让这个你的点就说我当时算这个的话这个点就是我集群里面的那个ATX的那个这个一个跑的他们那个我没有能用的那些它就是最这里Fragic这个提示我也就可以做一点事情最后一个方向就是那时间关系我就快速说吧你可以利用它的比如说这个是你可以识别说Enormity是异常或者是做一些Root Cost Analysis这个就是点的分类那这个你也可以利用这个同时你往后来这个链路的预测然后帮你做一些work load schedule的一些优化那你可以利用这个属性的预测编程属性帮你去预测一些流量或者是一个work load的然后帮你去预测你这个results usage和cost然后这个可以利用到另一个项目的Level of DGL这个也是我国写的项目然后你可以很容易的就是这些行就可以得到的记忆就是得到你Level of Graph这样编上一个DGL一个对象DGL的Deep Graph Learning的一个一个开源的非常流行的一个Graph的Deep Learning的一个一个Level那下面就是这个DGL和我这个Level of DGL下面这个reform然后我最后就marketing时间我开始介绍了Level of Graph Learning的项目就是它是原生的开源的分布式图书就出现非常多然后有很多很多的图片像它也有基本上都是开源的还有它有Kubernetes的Outfitter之前我也做过一些原生社区做过一些这方面的分享然后我们的社区非常的活跃有很多很多大大小小的团队对应用比如说微信啊微团啊总共一栋啊都在用Level of Graph然后Level of Graph 为什么特别呢其实就是我们设计的是专门向超大规模的那个数据那比如说这个就是之前Level of Graph台湾的那个传卡的那个运河上看起来很难对吧就是看起来但用面这个问题有点像但是解决方案什么的不一样Level of Graph设计的是因为左边那个场景所以就是非常适合超大规模的那个投数据嗯看比一下就是首先大家应该知道什么是图了图里面其实就是关注的那个Vertex Edge和属性我刚刚说的字就是点个边那点个边上可以放pv那个pv就是property的属性然后图一般访的模式我的抽象是你可以查询一种query一般都是OLTP的然后你可以做分析和算法一般就别带试试你可能需要很大的类型去算然后还有就是jn我单列出来其实它算了也算alroid但是它真的很好有在很多场景下今天没有展开讲然后怎么样去构建一个这样的图然后让你的dive-offs你这个路谱变得更强劲呢大概的那个流程刚刚我有介绍了然后你可以获取的pattern你会有适利的代码参考的架构我前面也有那怎么利用呢大家回顾一下我们query的话可以跟我们pattern定义你的policy或者你的消息怎么传意的一些机制然后基于alroid我们可以做更更聪明的一些inside获取然后jn的话jn我稍微想到就是jn看起来你那么深圳就是就预测的时候很慢嘛但实际上你是可以取一个紫图因为图的话就是lopality这个信息保留就是你你虽然整个图可能有百一个点但是你关注的这个信息的时候你实实地来了一个新的资源的变化取得了几千个点的紫图是好没有几的然后把它的位比你训练好这个模型你就是一秒就回不到结果那么最后我介绍了为什么要关注nablogon这个项目那右边是一些参考第一个是nablogon出的那个github repo那大家如果感兴趣可以关注一下第二个是我的网站我很多信息都会带来分享的有很多有意思的分享那第三个是刚设计到那个album的时候那个代码是用的nablogon AI这是我这个项目还有jn的那个项目叫nablogon DJL大家可以关注一下然后感谢大家的时间感谢四伟接下来我们进入QA话节大家有问题吗我声音比较大我直接说了非常非常感谢的分享然后这个拖宽了我的视野其实我在上大学的时候也许过这个策论什么的然后当时我们想的是只是在这个传染病的研究啊或者什么的就是太阔出的时候我跑了这一种研究没想到在云元生里也有这个我们可以这个应用可能我的问题就是说就像这个图数据库最低这个我们在这个传统数据库它有什么优势它有什么劣势可能我更关注的是劣势你刚才也说了很多优势还有说就是它在这个什么样的应用场景下真实就是适合这个我们应用场景一起用这个图数据库谢谢说一个劣势啊就是什么东西都吹到一个比较好词的颜色就是relations待在北市病库擅长处理relations就是我们传统的关系数据库并不当我们关注这个relations的时候它这个关它这个relations其实讲的是你同一数据比较多存以前应该很贵嘛但实际上当你很关注relations你想做多效插水的时候那个状态是很贵的里面它是面向那个连续的表格的结构那如果你如果你的业务能适合在excel里面当然你的excel不能出你的spell但逻辑上能在excel里做的话基本上你用表结构是比较合理的那如果你的你的这个业务逻辑或者是当你开始关注像我刚刚提的那些点各种模式的图的插水的时候那它就不太适合但是代价是代价就是你做所有人的钱在relations of database里面能做很大面对的事情在这些人做有的时候都会变得更好的回应那中间有些吹到比如说nelogram里面内置了跟elastic的一个连接那你做全文的搜索它可以靠那个我们是用Rust的Listener即使把它数据一步的往那边通过然后你想要做全文的所以复杂一点你从那儿就掉那如果你想要做类似于select什么from就表出表察学的那种情况我们如果你有在这个图上你想做等价的查学那你需要另外明文的就是explicit的去创建一个索义那这个索义是有代价这种写入的时候它会另存一份好像你表写的都有一样的索义那好处就是当你除了你图探所之外你想做类似于表里面的查学的时候它会掉读的时候会加速这个因为我们是面向connected但是如果你是表的那么扫反而不擅长第二个问题是场景场景我举几个比如说比如说VChat它们使用Navibar就是社交网络以及调好友也有些存购方面就是支付或者是支付宝它们或者美产美产用Navibar用多个场景在它们内部封张了一个内部的图的语义的Stk它们各个业务给你用然后比如说你用大容点评你在里边说两个例子就是美产公开分享它们用Navibar你在里边问一些你附近有没有什么样的它那个问答出手用后边的就是一支图就是几个Navibar那说到TESTVP就是TESTVP它很擅长帮你做很多超出以前计算机能够想象的智能化的问答但是它的劣势就在有的时候它小胡说八道它不能给你确定的答案那如果你说你想要在一个医院的一个智能助手里帮你问证就是你什么病要去哪个科你这个时候拆的TESTVP可能出了病这个时候你还是应该用Graph的PoA就那个叫PoA-TG就是基于LolliGraph的这种问答的助手不需要太智能但是要确定的能够调到你应该有的知识那美产里面它还分享另一个有意思的我觉得伯特愿意讲你在美产或者当年你搜饭店之类的它在推荐的时候你知道推荐系统非常复杂即使你是推荐系统的总副责任你也不知道为什么就这个被推荐到最高那这个科技的经历是个难的问题那从天而有的解决刚才我忘讲了就是我们得到一个这个节点和它最像的之后你在那边换手在图书里过去查一个Find Pass你能查到为什么它最重要的原因它们之间的路径就自然是你的解释美台分享的利益就是我给你推荐的这个饭店它会除了菜饼饭店让你个人profile的画像比如说你山东人然后你是在北京的山东人然后喜欢这个饭店它会给你这个其实就在NablaWard说的Find Pass就是这个给你推荐的一个解释你们每天用当年很多美台里面的那一条解释就是背后NablaWard使用的还有很多其他案例可以关注我的网站思维点这个还是什么但我是知道Find Pass出了一个NablaWard的一个Libre而且这个不过就是像如果是图的这个我不太清楚我不太了解Tenseflow但是就是但我知道就是图的是图是电网图Dimple Learning的那个酷比较流行的有两个一个是DJL两样体的那个是AWS他们和纽约大学合作的还有一个就是拍好像拍G就是拍Touch Graph那个是最流行的但是Tenseflow之前就有影响就是它出了Graph我还是不知道纯线调调的话就是NablaWard现在没有但是我们签个语识还是放了点我们有一个contributor它能在NablaWard里做KNN但是后来没有和平到上游就是这个还是做就是你做用专门的但是我确实是在自己有点忙然后我是想一会来的几周表时间我会想着就是因为我看到那个就是LMMA的index这个项目它里面其实是有Knowledge Graph的这个抽象我其实是想把NablaWard扔进去然后帮助它做一时期是我们没有在我们内部的能力因为我们没有那么general我们其实只要用了图就是一般就很多场景下图书就会不是你的single source一般你会有一个relational database然后会一步捅不到Graph里面然后所以就是你可能真的要carry相量的时候就是我们观察着在想在图这个里面一起能把vector色做的话稍微目前来说有点少我们时间也有可能有更难一般比如说你在postgres可能做好像比较稍微硬一些好的看来大家对图书的负责有关心由于时间的关系大家可以跟老师亲眼去骨通交流谢谢马老师