GraphDatenbanken

Graphdatenbanken sind spezialisierte Datenbanken, die das Graphdatenmodell verwenden, um Informationen als Knoten (Entitäten) und Kanten (Beziehungen) mit Eigenschaften abzubilden. Im Gegensatz zu relationalen Modellen ermöglichen sie indexfreie Traversals durch vernetzte Strukturen, wodurch Abfragen über Pfade, Nachbarn oder Subgraphen besonders effizient sind. Typisch sind Property-Graphen, bei denen Knoten und Kanten Labels sowie Eigenschaften tragen; RDF-Graphen nutzen Tripelstrukturen statt Property Graphen.

Speicherung und Zugriff beruhen auf Knoten, Kanten und deren Eigenschaften. Viele native Graphdatenbanken verwenden indexfreie Nachbarschaftsstrukturen, sodass jeder Knoten direkt auf seine Nachbarn verweist. Die Konsistenzmodelle variieren je nach System; einige unterstützen ACID-Transaktionen, andere legen mehr Wert auf horizontale Skalierung. Pfad- und Nachbarschaftsabfragen profitieren von spezialisierten Datenstrukturen, während komplexe Analysen oft durch Graph-Algorithmen unterstützt werden.

Beliebte Abfragesprachen sind Cypher (Neo4j), Gremlin (Apache TinkerPop) und SPARQL (für RDF-Stores). Anwendungsfälle umfassen soziale Netzwerke, Betrugserkennung, Empfehlungsdienste, Netzwerk- und IT-Topologien sowie Wissensgraphen. Vorteile sind leistungsstarke Beziehungsabfragen, flexibles Schema und natürliche Modellierung vernetzter Daten; Nachteile betreffen Lernaufwand, teils eingeschränkte tabellenbasierte Analysen und je nach System Herausforderungen bei der horizontalen Skalierung.

Historisch prägten Neo4j und andere frühe Anbieter die Entwicklung dieser Technologie; Graphdatenbanken sind heute integraler Bestandteil von Wissensgraphen, Real-Time-Analytics und verteilten Datenarchitekturen.