本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。 # 性能效率支柱 Well-Architect AWS ed Framework 的[性能效率支柱](https://docs.aws.amazon.com/wellarchitected/latest/framework/performance-efficiency.html)侧重于如何在摄取或查询数据时优化性能。性能优化是一个循序渐进的持续过程，包括以下内容： + 确认业务需求 + 衡量工作负载性能 + 识别性能不佳的组件 + 调整组件以满足您的业务需求 性能效率支柱提供了特定于用例的指南，可以帮助您确定要使用的正确图表数据模型和查询语言。它还包括在向 Neptune Analytics（海王星分析）摄取数据和使用数据时应遵循的最佳实践。 绩效效率支柱侧重于以下关键领域： + 图形建模 + 查询优化 + 调整图表大小 + 写入优化 ## 了解用于分析的图形建模 《在 *Amazon Neptune 上应用 AWS Well-Architected Framework*》指南[讨论了如何](https://docs.aws.amazon.com/prescriptive-guidance/latest/neptune-well-architected-framework/performance-efficiency-pillar.html#graph-modeling)提高性能效率的图形建模。影响性能的建模决策包括选择需要哪些节点和边 IDs、它们的标签和属性、边的方向、标签应该是通用标签还是特定标签，以及查询引擎在图表中导航以处理常见查询的效率。 这些注意事项也适用于Neptune Analytics；但是，区分交易和分析使用模式很重要。在事务数据库（例如 Neptune 数据库）中高效查询的图形模型可能需要重塑才能进行分析。 例如，假设Neptune数据库中的欺诈图表，其目的是检查信用卡付款中的欺诈模式。此图表可能包含代表账户和付款的账户、付款和功能（例如电子邮件地址、IP 地址、电话号码）的节点。此关联图支持诸如遍历可变长度路径之类的查询，该路径从给定付款开始，需要几跳才能找到相关的功能和账户。下图显示了这样的图表。 ![Connected Neptune 图表，显示支付中的欺诈模式。](http://docs.aws.amazon.com/zh_cn/prescriptive-guidance/latest/neptune-analytics-well-architected-framework/images/neptune-graph-inefficient.png) 分析要求可能更具体，例如查找通过功能关联的账户社区。为此，您可以使用[弱连接组件 (WCC)](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/wcc.html) 算法。在前面的示例中，针对模型运行它效率低下，因为它需要遍历几种不同类型的节点和边。下图中的模型效率更高。如果账户本身（或来自账户的付款）共享一项功能，则它会将`account`节点与`shares feature`优势联系起来。例如，`Account 123`具有电子邮件功能`xyz@example.org`，并`Account 456`使用相同的电子邮件进行付款（`Payment def`）。 ![高效的 Neptune 图表，用于检查付款中的欺诈模式。](http://docs.aws.amazon.com/zh_cn/prescriptive-guidance/latest/neptune-analytics-well-architected-framework/images/neptune-graph-efficient.png) WCC 的计算复杂度为`O(|E|logD)`，其中`|E|`是图中的边数，`D`是连接节点的直径（最长路径的长度）。由于事务模型省略了不必要的节点和边，因此它优化了边的数量和直径，并降低了 WCC 算法的复杂性。 使用 Neptune Analytics 时，请根据所需的算法和分析查询进行回溯。如有必要，请重塑模型以优化这些查询。在将数据加载到图表之前，您可以重塑模型，也可以编写修改图表中现有数据的查询。 ## 优化查询 请按照以下建议优化 Neptune Analytics 查询： + 使用[参数化查询和查询](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/best-practices-content.html#best-practices-content-2)[计划缓存，默认](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/query-plan-cache.html)情况下处于启用状态。使用计划缓存时，引擎会准备查询以供日后使用（前提是查询在 100 毫秒或更短的时间内完成），这样可以节省后续调用的时间。 + 对于慢速查询，请运行[解释计划](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/query-explain.html)以发现瓶颈并相应地进行改进。 + 如果您使用[向量相似度搜索](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/vector-similarity.html)，请确定较小的嵌入是否产生准确的相似度结果。您可以更高效地创建、存储和搜索较小的嵌入内容。 + 遵循[记录在案的最佳实践，在 Neptune Analytics 中使用 OpenCyph](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/best-practices-content.html) er。例如，在 UNWIND [子句中使用扁平化地图](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/best-practices-content.html#best-practices-content-3)，并尽可能[指定边缘标签](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/best-practices-content.html#best-practices-content-6)。 + 使用[图形算法](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/algorithms.html)时，要了解算法的输入和输出、其计算复杂性以及它的工作原理。 + 在调用图形算法之前，请使用子`MATCH`句最小化输入节点集。例如，要限制节点进行[广度优先搜索 (BFS)](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/bfs-standard.html)，请按照 Neptune Analytics 文档中提供的[示例](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/bfs-standard.html#bfs-standard-query-examples)进行操作。 + 如果可能，对节点和边缘标签进行筛选。例如，BFS 具有用于筛选对特定节点标签 (`vertexLabel`) 或特定边缘标签 () 的遍历的输入参数。`edgeLabels` + 使用诸如之类的边界参数`maxDepth`来限制结果。 + 用`concurrency`参数进行实验。尝试使用值为 0，它使用所有可用的算法线程来并行化处理。将其与单线程执行进行比较，方法是将参数设置为 1。算法可以在单个线程中更快地完成，尤其是在较小的输入中，例如浅广度优先搜索，在这种情况下，并行性不会显著缩短执行时间，并且可能会带来开销。 + 在相似类型的算法之间进行选择。例如，[Bellman-Ford](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/sssp-bellmanFord.html) 和 [delta-steping 都是单源](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/sssp-deltaStepping.html)最短路径算法。使用自己的数据集进行测试时，请尝试两种算法并比较结果。增量步进通常比贝尔曼-福特快，因为它的计算复杂性较低。但是，性能取决于数据集和输入参数，尤其是`delta`参数。 ## 优化写入 请按照以下做法优化 Neptune Analytics 中的写入操作： + 寻找最有效的方法将数据加载到图表中。从 Amazon S3 中的数据加载时，如果数据大小超过 50 GB，则使用[批量导入](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/bulk-import.html)。对于较小的数据，请使用[批量加载](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/batch-load.html)。如果您在运行批量加载时遇到 out-of-memory错误，请考虑增加 m-ncu 值或将负载分成多个请求。实现此目的的一种方法是在 S3 存储桶中将文件拆分为多个前缀。在这种情况下，请分别为每个前缀调用 batch load。 + 使用批量导入或批处理加载器填充初始图表数据集。**仅对较小的更改使用事务性 OpenCypher 创建、更新和删除操作。** + 使用批量导入或并发度为 1（单线程）的批处理加载器将嵌入数据提取到图表中。尝试使用以下方法之一预先加载嵌入内容。 + 评估矢量相似度搜索算法中精确相似度搜索所需的向量嵌入维度。如果可能，请使用较小的尺寸。这样可以加快嵌入的加载速度。 + 如果需要，使用变异算法来记住算法结果。例如，[度突变中心性算法](https://docs.aws.amazon.com/neptune-analytics/latest/userguide/degree-mutate.html)会找到每个输入节点的度数，并将该值作为节点的属性写入。如果这些节点周围的连接随后没有改变，则该属性将保持正确的结果。无需再次运行该算法。 + 如果需要重新开始，请使用[图表重置管理操作](https://docs.aws.amazon.com/neptune-analytics/latest/apiref/API_ResetGraph.html)来清除所有节点、边和嵌入内容。如果图形很大，则使用 OpenCypher 查询删除所有节点、边和嵌入是不可行的。对大型数据集进行一次删除查询可能会超时。随着大小的增加，数据集需要更长的时间才能移除，交易规模也会增加。相比之下，完成图表重置的时间大致保持不变，并且该操作提供了在运行快照之前创建快照的选项。 ## 大小合适的图表 总体性能取决于 Neptune Analytics 图表的预配置容量。容量以称为*内存优化的 Neptune 容量单位 (m-) 的单位*来衡量。NCUs确保您的图表大小足以支持您的图表大小和查询。请注意，增加容量并不一定能提高单个查询的性能。 如果可能，请通过从现有来源（例如 Amazon S3 或现有 Neptune 集群或快照）导入数据来创建图表。[您可以对最小容量和最大容量设置界](https://docs.aws.amazon.com/neptune-analytics/latest/apiref/API_CreateGraphUsingImportTask.html)限。您也可以[更改现有图表上的预配置容量](https://docs.aws.amazon.com/neptune-analytics/latest/apiref/API_UpdateGraph.html)。 监控诸如`NumQueuedRequestsPerSec`、、`NumOpenCypherRequestsPerSec``GraphStorageUsagePercent``GraphSizeBytes`、和之类的 CloudWatch 指标，`CPUUtilization`以评估图表的大小是否合适。确定是否需要更多容量来支持您的图表大小和负载。有关如何解释其中一些指标的更多信息，请参阅[卓越运营支柱](operational-excellence-pillar.md)部分。