为什么时序能力如此重要？​

    在当今数字化时代，数据已经成为驱动决策和创新的核心资源。然而，数据不仅仅是静态的数字或关系，它会随着时间不断变化。无论是股票市场的实时波动、社交网络中的动态互动，还是物联网设备的状态更新，时间维度都是理解这些数据的关键，例如：

• 在金融领域，交易的时间顺序决定了资金流动的方向。
• 在社交网络中，用户的互动行为（如点赞、评论）随时间演变。
• 在物联网中，传感器采集的数据带有时间戳，反映了设备状态的变化。

问题背景​

在流式计算中，数据往往不是全部一批到来，而会源源不断地进行输入和计算，在图计算/图查询领域，也存在类似的场景，图的点边不断地从数据源读取，进行构图，从而形成增量图。在增量图查询中，图随时发生着变化，在不同的图版本中，进行图查询的结果也会有所不同。对于某一次新增的点边，构成了一个新的版本的图，如果重新对全图（即当前所有点边）进行图遍历，开销较大，并且也会和历史数据有重复。由于历史的数据已经计算过一遍，理想情况下，只需要对增量所影响的部分进行计算/查询，而不需要对全图重新进行查询。

作者：林力韬

一、引言：传统数仓分析的困境与破局之道​

1. 场景化问题：当数据关联成为业务之痛​

• 金融反欺诈场景：在反欺诈分析中，复杂的多层资金链条挖掘往往依赖多表 JOIN 操作，进行复杂多跳的追踪。分析师团队耗费数天编写 SQL 脚本，最终查询耗时可达小时级别——而此时资金已完成洗白转移。这揭示出传统数仓的深层矛盾：关系型范式与真实世界网状业务逻辑的错位，常面临查询耗时高、查询逻辑复杂等挑战。
• 营销分析场景：在分析营销业务关系时，试图通过用户社交关系链挖掘潜在 VIP 客户，往往要用到专业的数分技能。尽管当下借助诸如 DeepInsight AI Copilot 等工具，可以通过大模型快速生成至少能打 80 分的维度和度量，集成到自助分析面板。但通常这些分析都涉及深层次的用户关联，在 SQL 中直观表达性能较差。

2025 年 3 月发布了流式图计算引擎 Apache GeaFlow (Incubating) v0.6.4，新版本实现了多个重要特性更新，包括：

• 🍀GeaFlow 图存储扩展支持 paimon 数据湖（实验性功能）
• 🍀图数仓能力扩展：支持对图中的实体进行关系型访问
• 🍀统一的内存管理器支持
• 🍀RBO 规则扩展：新增 MatchEdgeLabelFilterRemoveRule 和 MatchIdFilterSimplifyRule
• 🍀支持增量匹配算子

作者：坤羽；审校：东朔。

之前在「姊妹篇」《Stream4Graph：动态图上的增量计算》中，向大家介绍了在图计算技术中引入增量计算能力「图+流」，Apache GeaFlow (Incubating) 流图计算相比 Spark GraphX 取得了显著的性能提升。那么在流计算技术中引入图计算能力「流+图」，GeaFlow 流图计算相比 Flink 关联计算性能如何呢？

当今时代，数据正以前所未有的速度和规模产生，对海量数据进行实时处理在异常检测、搜索推荐、金融交易等各个领域都有着广泛的应用。流计算作为最主要的实时数据处理技术也变得越来越重要。

作者：张奇

众所周知，当我们需要对数据做关联性分析的时候，一般会采用表连接（SQL join）的方式完成。但是 SQL join 时的笛卡尔积计算需要维护大量的中间结果，从而对整体的数据分析性能带来巨大影响。相比而言，基于图的方式维护数据的关联性，原本的关联性分析可以转换为图上的遍历操作，从而大幅降低数据分析的成本。

然而，随着数据规模的不断增长，以及对数据处理更强的实时性需求，如何高效地解决大规模图数据上的实时计算问题，就变得越来越紧迫。传统的计算引擎，如 Spark、Flink 对于图数据的处理已经逐渐不能满足业务日益增长的诉求，因此设计一套面向大规模图数据的实时处理引擎，将会对大数据处理技术革新带来巨大的帮助。

开源的流图计算引擎Apache GeaFlow (Incubating)，结合了图处理和流处理的技术优势，实现了动态图上的增量计算能力，在高性能关联性分析的基础上，进一步提升了图计算的实时性。接下来向大家介绍图计算技术的特点，业内如何解决大规模实时图计算问题，以及 Apache GeaFlow (Incubating) 在动态图上的计算性能表现。