ฐานข้อมูลแบบกราฟและฐานข้อมูลแบบเชิงสัมพันธ์แตกต่างกันอย่างไร


สร้างบัญชี AWS
ดูข้อเสนอเกี่ยวกับฐานข้อมูล
ดูข้อเสนอฟรีเกี่ยวกับฐานข้อมูลในระบบคลาวด์
ดูบริการเกี่ยวกับฐานข้อมูล
สร้างสรรค์นวัตกรรมได้เร็วยิ่งขึ้นด้วยการให้บริการฐานข้อมูลที่ครอบคลุมที่สุด
ดูการอบรมเกี่ยวกับฐานข้อมูล
เริ่มต้นการฝึกอบรมด้านฐานข้อมูลด้วยเนื้อหาที่จัดทำขึ้นโดยผู้เชี่ยวชาญของ AWS
อ่านบล็อกเกี่ยวกับฐานข้อมูล
อ่านเกี่ยวกับผลิตภัณฑ์เกี่ยวกับฐานข้อมูลใหม่ล่าสุดของ AWS
ฐานข้อมูลแบบกราฟและฐานข้อมูลแบบเชิงสัมพันธ์แตกต่างกันอย่างไร โมเดลข้อมูล: ฐานข้อมูลแบบกราฟเทียบกับฐานข้อมูลแบบเชิงสัมพันธ์ ความแตกต่างที่สำคัญ: ฐานข้อมูลแบบกราฟกับฐานข้อมูลแบบเชิงสัมพันธ์ เมื่อใดควรใช้: ฐานข้อมูลแบบกราฟเทียบกับฐานข้อมูลแบบเชิงสัมพันธ์ สรุปความแตกต่าง: ฐานข้อมูลแบบเชิงสัมพันธ์กับฐานข้อมูลแบบกราฟ AWS สามารถช่วยข้อกำหนดฐานข้อมูลแบบเชิงสัมพันธ์และแบบกราฟของคุณได้อย่างไร

ฐานข้อมูลแบบกราฟและฐานข้อมูลแบบเชิงสัมพันธ์แตกต่างกันอย่างไร

ทั้งฐานข้อมูลแบบกราฟและฐานข้อมูลแบบเชิงสัมพันธ์จัดเก็บรายการข้อมูลที่เกี่ยวข้องกับความสัมพันธ์ อย่างไรก็ตาม ทั้งสองแบบแสดงความสัมพันธ์ของข้อมูลแตกต่างกันมาก ฐานข้อมูลแบบเชิงสัมพันธ์เก็บข้อมูลในรูปแบบตารางที่มีแถวและคอลัมน์ ข้อมูลทั้งหมดจะถูกเก็บไว้ในตารางและความสัมพันธ์ระหว่างข้อมูลจะถูกเก็บไว้เป็นข้อมูลอ้างอิงกลับไปยังตารางเดิม (หรือที่เรียกว่าคีย์ภายนอก) ในขณะทำงาน ฐานข้อมูลแบบเชิงสัมพันธ์จะใช้คำสั่ง JOIN เพื่อแก้ไขการอ้างอิงเหล่านี้อย่างชัดเจน ในขณะที่ฐานข้อมูลแบบเชิงสัมพันธ์ส่วนใหญ่สามารถทำสิ่งนี้ได้อย่างมีประสิทธิภาพในระดับหนึ่ง การดำเนินการเหล่านี้จะไม่มีประสิทธิภาพเมื่อจำเป็นต้องประมวลผลข้อมูลอ้างอิงจำนวนมากหรือไม่ทราบจำนวน เช่น เมื่อคุณต้องการค้นหาความสัมพันธ์ผ่านการเชื่อมต่อจำนวนที่ไม่รู้จัก เช่น การค้นหาว่าคนสองคนมีความสัมพันธ์กันอย่างไรในเครือข่ายโซเชียล

ในทางกลับกัน ฐานข้อมูลแบบกราฟเก็บข้อมูลเป็นเครือข่ายของหน่วยงานและความสัมพันธ์ ฐานข้อมูลแบบกราฟจะจัดเก็บทั้งข้อมูลเอนทิตีและความสัมพันธ์อย่างชัดเจนแทนที่จะจัดเก็บข้อมูลเป็นข้อมูลอ้างอิง ในขณะทำงาน ฐานข้อมูลแบบกราฟจะใช้ประโยชน์จากทฤษฎีกราฟทางคณิตศาสตร์เพื่อดำเนินการกับเอนทิตีและความสัมพันธ์อย่างมีประสิทธิภาพ เนื่องจากความสัมพันธ์ระหว่างเอนทิตีถูกเก็บไว้อย่างชัดเจนแทนที่จะเป็นฐานข้อมูลแบบกราฟคำนวณ ฐานข้อมูลจึงมีประสิทธิภาพมากกว่าในการค้นหาและจัดการหน่วยความจำสำหรับกรณีใช้งานที่มีการเชื่อมต่อข้อมูลที่ซับซ้อน ซึ่งสามารถปรับปรุงประสิทธิภาพของแอปพลิเคชันได้อย่างมีนัยสำคัญ


อ่านเกี่ยวกับฐานข้อมูลแบบเชิงสัมพันธ์ »
อ่านเกี่ยวกับฐานข้อมูลแบบกราฟ
 

โมเดลข้อมูล: ฐานข้อมูลแบบกราฟเทียบกับฐานข้อมูลแบบเชิงสัมพันธ์

ทั้งกราฟและฐานข้อมูลแบบเชิงสัมพันธ์เก็บข้อมูลและแสดงความสัมพันธ์ระหว่างข้อมูล อย่างไรก็ตาม โมเดลเชิงสัมพันธ์จะจัดลำดับความสำคัญของเอนทิตีข้อมูล ในขณะที่โมเดลกราฟจะจัดลำดับความสำคัญของความสัมพันธ์ระหว่างเอนทิตี

โมเดลฐานข้อมูลแบบเชิงสัมพันธ์

ฐานข้อมูลแบบเชิงสัมพันธ์ใช้ตารางข้อมูลที่จัดระเบียบข้อมูลเป็นแถวและคอลัมน์ คอลัมน์มีคุณลักษณะเฉพาะของเอนทิตีข้อมูล ในขณะที่แถวแสดงถึงบันทึกข้อมูลแต่ละรายการ 

สคีมาแบบตายตัวของฐานข้อมูลแบบเชิงสัมพันธ์ต้องการให้คุณร่างความสัมพันธ์ระหว่างตารางล่วงหน้าด้วยคีย์หลักและคีย์นอก 

ตัวอย่าง

พิจารณาแอปพลิเคชันโซเชียลมีเดียที่มีโปรไฟล์ลูกค้าที่สามารถเป็นเพื่อนกันได้ โมเดลทั่วไปต้องมีตารางสองตารางเพื่อสร้างโมเดลจำลองข้อมูล
ตารางลูกค้าอาจมีลักษณะดังนี้:


รหัส
ชื่อ
ตำแหน่งที่ตั้ง

C1
อเลฮานโดร
สหรัฐอเมริกา

C2
อานา
สหรัฐอเมริกา

C3
ควากู
สหรัฐอเมริกา

C4
แพท
สหรัฐอเมริกา

ตารางเพื่อนอาจมีลักษณะดังนี้:


รหัสลูกค้า
รหัสเพื่อน

C1
C2

C1
C3

C2
C4

C2
C1

C3
C1

C3
C4

ในตอนสืบค้น หากคุณต้องการตอบคำถามเช่น "ชื่อเพื่อนของอเลฮานโดรคืออะไร" โปรแกรมฐานข้อมูลจะค้นหาแถวในตารางลูกค้าสำหรับอเลฮานโดรก่อน
 


รหัส
ชื่อ
ตำแหน่งที่ตั้ง

C1
อเลฮานโดร
สหรัฐอเมริกา

ถัดไป กลไกนี้จะสร้างการรวมแถวทั้งหมดในตารางเพื่อนสำหรับอเลฮานโดรโดยใช้รหัสของเขา
 


รหัส
ชื่อ
ตำแหน่งที่ตั้ง
รหัสลูกค้า
รหัสเพื่อน

C1
อเลฮานโดร
สหรัฐอเมริกา
C1
C2

C1
อเลฮานโดร
สหรัฐอเมริกา
C1
C3

ตอนนี้ สำหรับแต่ละแถว กลไกจะสร้างการรวมกลับไปยังตารางลูกค้าสำหรับรหัสเพื่อนแต่ละรหัส
 


รหัส
ชื่อ
ตำแหน่งที่ตั้ง
รหัสลูกค้า
รหัสเพื่อน
รหัส
ชื่อ
ตำแหน่งที่ตั้ง

C1
อเลฮานโดร
สหรัฐอเมริกา
C1
C2
C2
อานา
สหรัฐอเมริกา

C1
อเลฮานโดร
สหรัฐอเมริกา
C1
C3
C3
ควากู
สหรัฐอเมริกา

ท้ายที่สุด กลไกจะส่งคืนชื่อของเพื่อนของเขากลับมา
 


ชื่อ

อานา

ควากู

อย่างที่เราเห็น เมื่อเราใช้การเชื่อมต่อในข้อมูลแบบเชิงสัมพันธ์ เราจะสร้างโครงสร้างข้อมูลขนาดใหญ่เพื่อแสดงข้อมูลที่เรากำลังมองหา แม้ว่าฐานข้อมูลแบบเชิงสัมพันธ์จะมีการเพิ่มประสิทธิภาพเพื่อลดผลกระทบของโครงสร้างเหล่านี้ แต่เมื่อจำนวนการรวมข้อมูลเพิ่มมากขึ้น ปริมาณข้อมูลที่จำเป็นก็จะเพิ่มขึ้นอย่างมีนัยสำคัญ ส่งผลให้ประสิทธิภาพการทำงานลดลงและการใช้หน่วยความจำเพิ่มมากขึ้น

โมเดลฐานข้อมูลแบบกราฟ

ในทางกลับกัน ฐานข้อมูลแบบกราฟจะใช้โครงสร้างกราฟพร้อมด้วยแอตทริบิวต์ ความสัมพันธ์ และอ็อบเจกต์ เพื่อแสดงข้อมูล โหนดคืออ็อบเจกต์ Edge แสดงความสัมพันธ์ระหว่างโหนดเหล่านั้น และคุณสมบัติอธิบายคุณลักษณะของโหนดและ Edge โครงสร้างแบบไดนามิกนี้ทำให้ฐานข้อมูลแบบกราฟมีประโยชน์สำหรับการแสดงข้อมูลที่เชื่อมต่อ มีความยืดหยุ่นมากขึ้นเกี่ยวกับความสัมพันธ์และประเภทข้อมูล

ตัวอย่าง

โดยใช้ข้อมูลเครือข่ายโซเชียลตัวอย่างเดียวกันกับข้างต้น ฐานข้อมูลแบบกราฟของเราจะจัดเก็บข้อมูลโดยใช้โหนด 3 โหนด โดยแต่ละโหนดมีคุณสมบัติ 4 ประการ และมี 2 Edge

ตอนนี้มาดูกันว่าฐานข้อมูลแบบกราฟประมวลผลคำค้นหา "ชื่อเพื่อนของอเลฮานโดรคืออะไร" อย่างไร

ก่อนอื่นเรามองหาโหนดลูกค้าของเราที่เป็นตัวแทนของอเลฮานโดร (ไฮไลท์ไว้ด้านล่าง)

ต่อไปเราจะข้ามหรือสำรวจข้าม Edge เพื่อนของเรา การสำรวจในฐานข้อมูลแบบกราฟนั้นคล้ายกับการดำเนินการ JOIN ในฐานข้อมูลแบบเชิงสัมพันธ์ ยกเว้นเฉพาะ เว้นแต่จะมีการร้องขอโดยชัดแจ้ง ข้อมูลจากก่อนหน้านี้ในการสืบค้นจะไม่ถูกเก็บรักษาไว้ ในตัวอย่างของเราด้านล่างมีเพียง Edge เพื่อนทั้งสองเท่านั้นที่เก็บไว้ในหน่วยความจำ

ขั้นที่สาม เรายังคงเคลื่อนที่ไปยังโหนดที่อยู่ติดกัน

ท้ายที่สุด กลไกจะส่งคืนชื่อของเพื่อนของเขากลับมา
 


ชื่อ

อานา

ควากู

ตามที่เราเห็น ทั้งสองกลไกสามารถส่งกลับข้อมูลเดียวกันได้ อย่างไรก็ตาม เมื่อผ่านการเชื่อมต่อจำนวนมาก การจัดเก็บความสัมพันธ์ที่ชัดเจนในฐานข้อมูลแบบกราฟจะช่วยให้ประมวลผลคำขอนี้ได้อย่างมีประสิทธิภาพมากขึ้น แม้ว่าข้อได้เปรียบนี้ไม่สำคัญสำหรับการสืบค้นแบบธรรมดา เช่น ดังที่แสดงไว้ที่นี่ การเพิ่มประสิทธิภาพนี้พร้อมกับโครงสร้างของภาษาการสืบค้นแบบกราฟ สามารถลดความซับซ้อนและการใช้หน่วยความจำสำหรับการประมวลผลคำถามที่ต้องใช้จำนวนมากหรือไม่ทราบจำนวนของการข้ามผ่านความสัมพันธ์เหล่านี้ได้อย่างมาก

ความแตกต่างที่สำคัญ: ฐานข้อมูลแบบกราฟกับฐานข้อมูลแบบเชิงสัมพันธ์

นอกเหนือจากโมเดลข้อมูลที่แตกต่างกันแล้ว ฐานข้อมูลแบบเชิงสัมพันธ์และแบบกราฟยังมีข้อแตกต่างมากมายที่ทำให้พวกมันแตกต่างในด้านฟังก์ชันและและการใช้งาน

การสืบค้น

ฐานข้อมูลแบบกราฟใช้ภาษาการสืบค้นแบบกำหนดเองที่ได้รับการปรับให้เหมาะสมเพื่อค้นหาและดึงข้อมูลที่เชื่อมต่อกันได้อย่างรวดเร็ว ภาษาเหล่านี้ เช่น TinkerPop Gremlin, openCypher, และ SPARQL ถูกสร้างขึ้นเพื่อวัตถุประสงค์เฉพาะเพื่อลดความยุ่งยากในการเขียนแบบสอบถามที่ใช้ประโยชน์จากการเชื่อมโยงข้อมูลที่ซับซ้อน เช่น ที่จำเป็นสำหรับการดำเนินการต่าง ๆ เช่น การเข้าถึงข้อมูลแบบเรียกซ้ำ การค้นพบเส้นทาง และอัลกอริทึมของกราฟ

ในทางตรงกันข้าม ฐานข้อมูลแบบเชิงสัมพันธ์ใช้ SQL เพื่อดึงและจัดการข้อมูล ด้วย SQL ผู้ใช้สามารถทำการสืบค้นประเภทต่างๆ ได้ – เช่น เลือก, แทรก, อัปเดต และลบ – บนตาราง ฐานข้อมูลแบบเชิงสัมพันธ์สามารถจัดการข้อมูลที่มีโครงสร้างที่มีความสัมพันธ์ชัดเจนระหว่างตารางได้เป็นอย่างดี ฐานข้อมูลดังกล่าวมีประสิทธิภาพอย่างยิ่งสำหรับการกรองที่ซับซ้อน การรวม และการผสานในตารางที่หลากหลาย

ประสิทธิภาพ

ฐานข้อมูลแบบกราฟจัดเก็บทั้งอ็อบเจกต์และความสัมพันธ์เป็นข้อมูล และใช้ดัชนีในการเดินทางระหว่างเอนทิตีที่เกี่ยวข้องอย่างมีประสิทธิภาพ เนื่องจากฐานข้อมูลแบบกราฟจัดเก็บความสัมพันธ์เป็นข้อมูล ฐานข้อมูลจึงสามารถนำทางระหว่างเอนทิตีได้อย่างรวดเร็วโดยไม่จำเป็นต้องคำนวณการเชื่อมต่อเหล่านี้แบบไดนามิก การเชื่อมต่อโดยตรงระหว่างโหนดช่วยให้เข้าถึงได้ทันที จึงสามารถสืบค้นและติดตามความสัมพันธ์ได้อย่างรวดเร็ว คุณสมบัติเหล่านี้ทำให้ฐานข้อมูลแบบกราฟมีประสิทธิภาพมาก

นอกจากนี้ ฐานข้อมูลแบบเชิงสัมพันธ์ยังใช้การค้นหาดัชนีและการคำนวณแบบไดนามิกร่วมกันเพื่อระบุความสัมพันธ์ระหว่างเอนทิตี คุณสามารถรวมหลากหลายตารางได้ แต่จะใช้เวลานานเนื่องจากระบบต้องสแกนดัชนีที่ใหญ่กว่าของข้อมูลที่มากขึ้น เนื่องด้วยเหตุนี้ ฐานข้อมูลแบบเชิงสัมพันธ์จึงไม่มีประสิทธิภาพเท่ากับฐานข้อมูลแบบกราฟสำหรับกรณีการใช้งานที่ต้องมีการเชื่อมต่อจำนวนมากเพื่อดึงข้อมูลที่ต้องการ

ใช้งานง่าย

ฐานข้อมูลแบบกราฟมีความสัมพันธ์เป็นศูนย์กลาง ทำให้ง่ายต่อการทำงานเมื่อคุณใช้ข้อมูลที่เชื่อมโยงกัน ฐานข้อมูลเหล่านี้รองรับการสืบค้นแบบหลายช่วงเชื่อมต่อได้เป็นอย่างดี ซึ่งคุณใช้เมื่อสำรวจเส้นทางที่มีหลากหลายความสัมพันธ์ นอกจากนี้ คุณยังสามารถใช้ภาษาการสืบค้นกราฟ เช่น SPARQL, Gremlin หรือ openCypher เพื่อแสดงการสืบค้นที่สำรวจข้อมูลที่เชื่อมโยงกันด้วยรูปแบบเฉพาะของกราฟที่เรียบง่าย

ฐานข้อมูลแบบเชิงสัมพันธ์ใช้ SQL ซึ่งคุณอาจรู้สึกไม่เป็นธรรมชาติเมื่อจัดการการสืบค้นแบบหลายช่วงเชื่อมต่อ หากการสืบค้นมีการรวมหลายจุดและครอบคลุมการสืบค้นย่อยที่ซ้อนกัน ก็จะเขียน SQL ได้ยากขึ้น ถ้าคุณไม่ระมัดระวัง นี่อาจะกลายเป็นการสืบค้นขนาดใหญ่ที่ยากที่จะอ่านและรักษา

แม้จะกล่าวอย่างนั้น ฐานข้อมูลแบบเชิงสัมพันธ์นั้นมีความสมบูรณ์และเป็นที่นิยมในการใช้งานหลายกรณี มีเครื่องมือและทรัพยากรหลายอย่าง รวมทั้งการสนับสนุนจากชุมชนที่คุณสามารถเข้าถึงเพื่อเพิ่มปรับระบบของคุณให้เหมาะสม

เมื่อใดควรใช้: ฐานข้อมูลแบบกราฟเทียบกับฐานข้อมูลแบบเชิงสัมพันธ์

กราฟและฐานข้อมูลแบบเชิงสัมพันธ์มีกรณีการใช้งานที่มีประสิทธิภาพมากมาย เนื่องจากมีโมเดลข้อมูลที่แตกต่างกันและความแตกต่างหลักหลายประการ พวกเขาจึงเก่งในด้านต่างๆ

ฐานข้อมูลแบบกราฟ

ฐานข้อมูลแบบกราฟมีสคีมาที่ยืดหยุ่นซึ่งช่วยให้เกิดการเปลี่ยนแปลงแบบไดนามิกและการปรับให้เข้ากับข้อมูลได้ การให้ความสำคัญกับความสัมพันธ์ของข้อมูลทำให้มีประโยชน์ในการวิเคราะห์ การค้นหาความหมาย หรือเครื่องมือแนะนำ ฐานข้อมูลแบบกราฟเป็นตัวเลือกที่ดีกว่าในสถานการณ์เหล่านี้:

  • คุณทำงานกับข้อมูลที่มีความสัมพันธ์ที่ซับซ้อน เช่น ในเครือข่ายโซเชียล การตรวจจับการฉ้อโกง กราฟความรู้ กราฟความปลอดภัย หรือเครื่องมือแนะนำแบบส่วนบุคคลองมือค้นหา
  • คุณต้องมีสคีมาที่มีการพัฒนา เนื่องจากคุณสามารถแก้ไข Edge โหนด และคุณสมบัติโดยไม่รบกวนโครงสร้างฐานข้อมูลที่เหลือ
  • คุณกำลังทำงานกับข้อมูลที่เชื่อมโยงกันและจำเป็นต้องดำเนินการหลายครั้งหรือไม่ทราบจำนวนครั้งระหว่างความสัมพันธ์ (การสืบค้นประเภทเพื่อนของเพื่อน)

ฐานข้อมูลแบบกราฟมีความยืดหยุ่น ปรับขนาดได้ ไดนามิก และแสดงความสัมพันธ์ระหว่างข้อมูลได้ดีเยี่ยม

ฐานข้อมูลแบบเชิงสัมพันธ์

ฐานข้อมูลแบบเชิงสัมพันธ์นำเสนอสคีมาที่มีโครงสร้างพร้อมการสนับสนุนที่ดีเยี่ยมสำหรับความสมบูรณ์ของข้อมูล ฐานข้อมูลแบบเชิงสัมพันธ์เป็นตัวเลือกที่ดีกว่าในสถานการณ์เหล่านี้:

  • คุณต้องปฏิบัติตามข้อกำหนดของ ACID และความสมบูรณ์และความสม่ำเสมอของข้อมูลในระดับสูง เช่น ในการทำธุรกรรมทางการเงิน
  • คุณทำงานกับข้อมูลที่มีโครงสร้างสูงซึ่งเข้ากันได้ดีกับโมเดลข้อมูลแบบตาราง เช่น ในการจัดการทรัพยากรขององค์กร
  • ข้อมูลของคุณมีความสัมพันธ์จำกัด

สรุปความแตกต่าง: ฐานข้อมูลแบบเชิงสัมพันธ์กับฐานข้อมูลแบบกราฟ

 
ระบบฐานข้อมูลเชิงสัมพันธ์
ฐานข้อมูลกราฟ

รุ่น
ตารางที่มีแถวและคอลัมน์
โหนดที่เชื่อมต่อถึงกันพร้อมข้อมูลที่แสดงเป็นโหนดและ Edge

การปฏิบัติการ
การทำงานของ SQL เช่น สร้าง อ่าน อัปเดต และลบ (CRUD)
การดำเนินการรวมถึง CRUD และการดำเนินการสำรวจกราฟ

ประสิทธิภาพ
ฐานข้อมูลแบบเชิงสัมพันธ์เผชิญกับการสืบค้นที่ซับซ้อนเมื่อสำรวจความสัมพันธ์ที่อาจทำให้ประสิทธิภาพการทำงานช้าลง
ฐานข้อมูลแบบกราฟเชี่ยวชาญในการแสดงและสืบค้นความสัมพันธ์ระหว่างข้อมูลที่เชื่อมต่ออยู่

ใช้งานง่าย
ฐานข้อมูลแบบเชิงสัมพันธ์ทำงานได้ดีกับชุดข้อมูลขนาดใหญ่และข้อมูลที่มีโครงสร้าง พวกมันไม่ค่อยเชี่ยวชาญเมื่อเป็นเรื่องการสืบค้นแบบหลายช่วง
ฐานข้อมูลแบบกราฟใช้งานง่ายเมื่อต้องจัดการกับข้อมูลที่เน้นความสัมพันธ์เป็นหลัก เมื่อใช้ภาษาสืบค้นแบบกราฟ คุณสามารถสืบค้นข้อมูลฮอปหลายรายการได้อย่างรวดเร็ว
     

AWS สามารถช่วยข้อกำหนดฐานข้อมูลแบบเชิงสัมพันธ์และแบบกราฟของคุณได้อย่างไร

Amazon Web Services (AWS) มีโซลูชันสำหรับทั้งกรณีการใช้งานฐานข้อมูลเชิงแบบสัมพันธ์และแบบกราฟ

 

ระบบฐานข้อมูลเชิงสัมพันธ์

Amazon Relational Database Service (Amazon RDS) เป็นบริการที่ได้รับการจัดการที่ช่วยให้ผู้ใช้สามารถตั้งค่า ใช้งาน และปรับขนาดฐานข้อมูลแบบเชิงสัมพันธ์ในระบบคลาวด์ได้อย่างง่ายดาย บริการนี้มีความจุที่คุ้มค่าและสามารถปรับขนาดได้ พร้อมกับช่วยจัดการงานด้านการดูแลฐานข้อมูลซึ่งเป็นสิ่งที่ต้องใช้เวลานาน Amazon RDS รองรับเครื่องมือฐานข้อมูลหลายตัว เช่น:

Amazon Aurora เป็นบริการฐานข้อมูลแบบเชิงสัมพันธ์ที่ทันสมัย ซึ่งมีประสิทธิภาพและความพร้อมใช้งานสูงตามขนาด รุ่นที่รองรับ MySQL และ PostgreSQL แบบโอเพนซอร์สอย่างสมบูรณ์แบบ Amazon Aurora ยังเป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งทำงานด้านการดูแลระบบที่ใช้เวลานานโดยอัตโนมัติ เช่น การจัดเตรียมฮาร์ดแวร์ การตั้งค่าฐานข้อมูล การแพตช์ และการสำรองข้อมูล ในขณะที่ให้ความปลอดภัย ความพร้อมใช้งาน และความเสถียรของฐานข้อมูลเชิงพาณิชย์เพียง 1 ใน 10 ของต้นทุน

ฐานข้อมูลกราฟ

Amazon Neptune คือกลไกฐานข้อมูลแบบกราฟประสิทธิภาพสูงที่สร้างตามวัตถุประสงค์ ได้รับการปรับให้เหมาะสมเพื่อเก็บความสัมพันธ์หลายพันล้านรายการและสืบค้นกราฟด้วยเวลาแฝงระดับมิลลิวินาที
Neptune รองรับโมเดลกราฟยอดนิยม – กราฟคุณสมบัติและ Resource Description Framework (RDF) ของ W3C นอกจากนี้ยังรองรับภาษาการสืบค้น เช่น Gremlin และ SPARQL คุณจึงสร้างการสืบค้นที่นำทางชุดข้อมูลที่เชื่อมต่อกันสูงได้
Neptune มีคุณสมบัติหลายประการ:

  • มีความพร้อมใช้งานสูงและมี Read Replica, การกู้คืนจากจุดเวลาหนึ่ง, การสำรองข้อมูลอย่างต่อเนื่อง และการจำลองแบบบน Availability Zone ทั้งหมด
  • ปลอดภัยและรองรับการเข้ารหัสเมื่อพักเครื่อง
  • มีการจัดการอย่างเต็มรูปแบบ ดังนั้น คุณไม่ต้องกังวลเกี่ยวกับงานด้านการจัดการฐานข้อมูล เช่น การจัดสรรฮาร์ดแวร์ การแก้ไขซอฟต์แวร์ การตั้งค่า การกำหนดค่า หรือการสำรองข้อมูลอีกต่อไป

เริ่มต้นใช้งานฐานข้อมูลแบบกราฟและแบบเชิงสัมพันธ์บน AWS โดยการสร้างบัญชีวันนี้

ขั้นตอนถัดไปบน AWS

เรียนรู้วิธีการเริ่มต้นใช้งานฐานข้อมูลแบบเชิงสัมพันธ์บน AWS

เรียนรู้วิธีการเริ่มต้นใช้งานฐานข้อมูลแบบกราฟบน AWS