Und nun zum Abschluss der dritte Teil des Neo4j-Tutorials mit einigen weiterführenden Informationen. In diesem Artikel wollen wir uns mit Themen rund um die Modellierung mit Graphen und konkrete Anwendungsfälle sowie operationalen Aspekten wie Performance, Betrieb und Clustering auseinandersetzen. Außerdem werden weitere Möglichkeiten vorgestellt, Neo4j von Java aus zu benutzen und zu erweitern.
Die Graphdatenbank mit ihrem flexiblen Datenmodell bietet eine Menge Möglichkeiten für die Modellierung der vielfältigsten Domänen. Wie immer in der Modellierung gibt es mehrere Wege vorzugehen.
Wir wollen einen inkrementellen Ansatz nutzen, der von meinem Kollegen Ian Robinson stammt und von ihm in Kundenprojekten genutzt wird. Bei der Graphmodellierung ist es verlockend, einfach alle Informationen, so wie sie in der realen Welt oder in einer anderen Datenbank vorliegen, 1:1 in den Graphen zu übernehmen. Es ist aber sinnvoll, das Modell an die konkreten Anwendungsfälle anzupassen und den Graph gemeinsam mit dem System weiterzuentwickeln.
Für diesen Modellierungsansatz beginnt man mit dem Anwendungsfall, den man abbilden möchte und arbeitet sich dann iterativ in sechs Schritten über Informationsextraktion, Musteridentifikation und Abfragedeklaration bis zur ersten Version des Graphmodells vor. Danach kann es in die nächste Runde gehen. Konkret sind das:
-
Anwendungsfall und Ziele der Nutzer identifizieren
-
Fragen herausfinden, die mithilfe der Domäne beantwortet werden sollen
-
Entitäten in jeder Frage bestimmen
-
Beziehungen zwischen den Entitäten erkennen
-
Entitäten und Beziehungen zu Cypher-Pfaden zusammensetzen, Pfade sind die Basis des Datenmodells
-
Fragen mithilfe der Pfade als Muster im Graphen notieren, Graphabfragen auf der Grundlage dieser Muster entwickeln
Schauen wir uns die Schritte im Einzelnen am konkreten Beispiel an.
1. Anwendungsfall und Ziele der Nutzer identifizieren
Eine typische User Story kann so aussehen: Als ein Nutzer möchte ich Empfehlungen für Filme mit Schauspielern, die ich positiv bewertet habe, erhalten, sodass ich gut unterhalten werde.
2. Fragen herausfinden, die mithilfe der Domäne beantwortet werden sollen
Aus der Story können wir die Frage(n) ableiten, die darin enthalten ist (sind), in diesem Fall ist das nur diese eine: Welche Schauspieler, die ich mag, haben in Filmen mitgespielt, die ich noch nicht gesehen habe?
Weitere Aufgaben im System wären die Anlage und Verwaltung (CRUD) der notwendigen Entitäten und Beziehungen.
3. Entitäten in jeder Frage bestimmen
Das ist etwas, dass wir schon aus der objektorientierten Analyse kennen. Da das Graphmodell dem Objektmodell sehr ähnlich ist, können wir hier dieselbe Herangehensweise wählen: Welche Schauspieler, die ich mag, haben in Filmen mitgespielt, die ich noch nicht gesehen habe?
-
Schauspieler -> Actor
-
Filme -> Movie
-
ich -> User
Genauso markieren wir die Verben, die auf Beziehungen abgebildet werden: Welche Schauspieler, die ich mag, haben in Filmen mitgespielt, die ich noch nicht gesehen habe?
-
User LIKED Actor
-
Actor ACTED_IN Movie
-
User VIEWED Movie
4. Entitäten und Beziehungen zu Cypher-Pfaden zusammensetzen
Diese Pfade sind die Basis des Datenmodells, sie enthalten die grundlegenden Strukturen, aus denen sich dann das komplexere Graphmodell schrittweise aufbaut. Entitäten werden auf Labels im Property-Graphen abgebildet und Beziehungen als Beziehungstypen (und Richtungen) modelliert:
-
Ganz allgemein (:Label)-[:BEZIEHUNGSTYP]->(:Label)
-
User LIKED Actor (:User) -[:LIKED] ->(:Actor)
-
Actor ACTED_IN Movie (:Actor)-[:ACTED_IN]->(:Movie)
-
User VIEWED Movie (:User) -[:VIEWED] ->(:Movie)
5. Datenmodell entwickeln
Im konkreten Modell mit Beispieldaten würde es dann aussehen wie in Abbildung 1. Dieses Modell erweitert man dann sukzessive und iterativ mit anderen Anwendungsfällen und euen Strukturen, bis man alle Informationen abdeckt, die für die Anwendung relevant sind.
Abb. 1: Modell mit Beispieldaten6. Abfragen mithilfe der Pfade als Muster im Graphen notieren
Graphabfragen auf der Grundlage dieser Muster entwickeln: Welche Schauspieler, die ich MAG, haben in Filmen MITGESPIELT, die ich noch nicht GESEHEN HABE?
Diese Cypher-Muster sind relevant für unsere Abfragen:
(:User)-[:LIKED]->(:Actor)-[:ACTED_IN]->(:Movie)
NOT (:User)-[:VIEWED]->(:Movie)
Konkret würde dann unsere Abfrage aussehen wie in Listing 1, wir müssen nur den Startnutzer sowie Rückgabewerte, Aggregation und Sortierung hinzufügen. Und Abbildung 2 zeigt den ganzen Ansatz noch einmal im Überblick.
Abb. 2: Vom Anwendungsfall zu Modell und Anfragen
Listing 1
MATCH (user:User)-[:LIKED]->(actor:Actor)-[:ACTED_IN]->(movie)
WHERE user.name = {name} AND NOT (user)-[:VIEWED]->(movie)
RETURN movie.title AS title,
count(actor) AS score,
collect(actor.name) AS favorites
ORDER BY score DESC
LIMIT 10Evolution des Datenmodells
Natürlich wird man nicht bei einem Datenmodell verweilen, sondern es mit den wechselnden Anforderungen der Anwendung kontinuierlich weiterentwickeln. Andere Änderungsgründe sind das bessere Verständnis der Domäne oder Optimierung von wichtigen Abfragen.
Im Allgemeinen sind NoSQL-Datenbanken wie Neo4j flexibler und agiler in der dynamischen Anwendungsentwicklung, da sie durch den Verzicht auf ein singuläres Schema mehrere Versionen des Datenmodells zur gleichen Zeit beinhalten können. Für die Migration der Datenstrukturen gelten aber trotzdem noch viele der Pattern, die in „Refactoring Databases“ von Scott Ambler und Pramod Sadalage erläutert werden.
Die notwendige Datenmigration kann man entweder direkt auf der ganzen Datenbank, z. B. mittels Cypher-Statements vornehmen (wir erinnern uns, dass ein Statement Strukturen auffinden, verändern und löschen kann).
Für bestimmte, wichtige Operationen, wie z. B. das Befördern einer Beziehung zu einem Knoten, weil man gelernt hat, dass sie doch ein zu wichtiges Konzept in der Domäne darstellt, gibt es schon Ideen für „Refactorings“ [1].
Die Migration des Modells kann aber auch „lazy“ beim Laden der Daten erfolgen. Damit muss man z. B. „alte“ Daten nicht ändern, solange sie nicht benötigt werden und erst bei der nächsten Nutzung werden die neuen Attribute, Strukturen und Veränderungen erstellt.
Anwendungsfälle für Graphdatenbanken und Neo4j
Normalerweise denkt man, wenn man über Graphdatenbanken spricht, nur an wenige Anwendungsfälle, bevorzugt soziale Netzwerke und ggf. noch Routenfindung und Empfehlungsermittlung. Schaut man sich aber die Breite des Einsatzes von Graphdatenbanken an, kommt man aus dem Staunen nicht heraus. Um einige der vielfältigen Anwendungsfälle zu erläutern, nehmen wir Anleihe beim Neo4j Intro Training [2], siehe auch [3].
Autorisierung mit komplexem Rechtemanagement
Die Modellierung von Rechten, die ein Nutzer auf Dokumenten, Diensten und anderen Assets hat, besteht aus einigen, wenigen Elementen, deren Komposition aber hochkomplexe Regelwerke abbilden kann. So sind verschachte...

