Дослідження порівнює графові СУБД за витратами на завантаження та запити.

Автори дослідження зіставили Corvic AI, стовпцевий рушій запитів, із сімома спеціалізованими графовими СУБД або СУБД із графовим розширенням на трьох масштабах графа.

Жодна система у вибірці не була найшвидшою в усіх завданнях: Ladybug випереджала Corvic AI у запитах до обмеженої околиці, а Corvic AI була швидшою в запитах, що сканують або з’єднують велику частину графа.

Автори називають головною відмінністю у своїх даних не затримку запитів, а вартість підготовки даних до запитів: швидкість пакетного завантаження відрізнялася на три порядки, від 5,0 тис. до 4,3 млн рядків за секунду. Їхній розрахунок точки перетину показує, що за менш ніж приблизно 100 тис. запитів на одне оновлення даних різниця у завантаженні визначає сукупну вартість.

Перевірка тверджень:

  • Автори дослідження зіставили Corvic AI із сімома спеціалізованими графовими СУБД або СУБД із графовим розширенням на трьох масштабах графа. (підтверджено самою публікацією: доказ; «We benchmark Corvic AI - a purpose-built columnar query engine underlying Corvic’s ontology management layer ("memories")- against seven purpose-built or graph-extension database systems (LoraDB, Ladybug, DuckPGQ, Memgraph, Neo4j, HugeGraph, and FalkorDB) at three graph scales spanning three orders of magnitude.»)
  • Жодна система у вибірці не була найшвидшою в усіх завданнях: Ladybug випереджала Corvic AI у запитах до обмеженої околиці, а Corvic AI була швидшою в запитах, що сканують або з’єднують велику частину графа. (підтверджено самою публікацією: доказ; «Our central finding is that no system in this sample is categorically fastest: a native graph engine (Ladybug) outperforms Corvic AI on narrow, bounded-neighborhood shapes, while Corvic AI is faster on shapes that scan or join a large fraction of the graph»)
  • Автори називають головною відмінністю у своїх даних не затримку запитів, а вартість підготовки даних до запитів: швидкість пакетного завантаження відрізнялася на три порядки, від 5,0 тис. до 4,3 млн рядків за секунду. (підтверджено самою публікацією: доказ; «The dominant cost differential in our data is not query latency but the cost of making data queryable at all: bulk-ingest throughput varies by three orders of magnitude across engines (5.0k-4.3M rows/s)»)
  • Їхній розрахунок точки перетину показує, що за менш ніж приблизно 100 тис. запитів на одне оновлення даних різниця у завантаженні визначає сукупну вартість. (підтверджено самою публікацією: доказ; «a simple crossover-point calculation shows dominates total cost for any workload with fewer than roughly 105 queries per data refresh.»)

Першоджерела:

оцінка 55,5 зі 100 · тип: дослідження