graphscope的博客

本文主要介绍 GraphScope 图学习引擎 GraphLearn 最新推出的面向 GNN 在线推理任务的动态图采样服务。

本文介绍 GraphInsight 在 ChinaVis 2022 可视化挑战赛中，与 GraphScope 一起用图计算在网络安全分析场景下的应用与实践。

我们在 github 提供了一个图分析应用的模板库 (template repo)，用户只需将几个 C++ 函数替换成自定义的逻辑，便可自定义图分析算法和应用并运行在 GraphScope 上。

目前 GraphScope 发布了 graphscope-notebook 插件，通过交互式的方式帮助用户在 Jupyterlab 环境下完成图数据的构建和载入操作，极大地降低了载图的复杂度和出错率。本文将详细介绍该插件的使用流程。背景对于任何一款图计算产品而言，图数据的载入操作往往是第一步，同时也是比较重要且十分复杂的一步，这其中主要的原因是图数据本身的复杂性。因此，为了提升用户的载图体验，GraphScope 内置了多种数据集，例如对于 TinkerPop Modorn Graph 图而言，用户.

本文介绍基于 GPU 的图神经网络采样训练系 GNNLab。

在本文中，我们将介绍 GraphScope 图交互式查询引擎 GAIA-IR，它支持高效的 Gremlin 语言表达的交互图查询，同时高度抽象了图上的查询计算，具有高可扩展性。

本文介绍如何通过 Helm 工具部署和使用 GraphScope 集群。

NetworkX 是 Python 上最常用的图分析包，GraphScoep 兼容 NetworkX 接口。本文中我们将分享如何用 GraphScope 像 NetworkX 一样在（大）图上进行分析。

本文将详细介绍：1) 如何基于 Kubernetes 集群部署 GraphScope ; 2) 背后的工作细节; 3) 如何在分布式环境中使用自己构建的 GraphScope 开发镜像。

GraphScope 已经支持在主流的操作系统上部署并使用。本文将详细介绍本地安装 GraphScope 的两种方式: 1）直接通过 pip 安装已发布的二进制包；2）从源码编译构建最新版本的 GraphScope。

本文是图计算 101 系列的第二篇文章，将繁杂的图计算任务根据其计算模式的特性进行分类，并对每一类的图计算任务进行简要的介绍。背景现实生活中的很多数据都可以建模成图（Graph）这一抽象的结构。这种高效紧凑的数据形式可以表示出拓扑、属性、时序等丰富的信息，而图计算的目标就是从图结构中挖掘出有价值的知识或规律，例如频繁模式、因果关系等。随着信息时代的到来，数据规模呈爆炸式增长，产生了对大规模的图数据进行高效处理的需求，图计算已经成为了工业界和学术界的热点话题，并因此诞生了一系列的图计算系统及优化研究工.

本文是图计算 101 系列的首篇文章，通过一系列常见的应用，介绍了图与图计算的基础背景。什么是图？宇宙间的万物，大到恒星行星，小到原子分子，都时时刻刻与其他个体存在着相互关系，而图（Graph）正是描述这种个体之间的相互关系最自然也最合适的数据结构。图包含了一系列的顶点（即个体）与边（即个体之间的关系），同时顶点或者边都可以附带一些描述自身的信息（即特征）。图 Graph我们日常生活中常见的图数据包括社交网络、交通网络以及生物结构图等。对于社交网络来说，每个用户可以当作图中的一个顶点.

> 在之前的文章中，我们介绍了 GraphScope 背后的图分析引擎原型 GRAPE 系统以及其开源实现 libgrape-lite。本文将介绍 libgrape-lite 的新功能：利用 GPU 来处理 PIE 模型下的图分析任务。这项新功能能够使用户无感地将图分析任务迁移到 GPU 上，利用其高并发高带宽的特性，来加速图分析任务以获得更高的性能。### 背景图分析任务是大数据场景下一类关键基础任务，它支撑着社交、物流、分析、通信等多个场景下的重要应用。学术界和工业现有的引擎有 Power.

libgrape-lite on GPUs：GPU助力加速图分析任务背景CPU vs. GPU将 PIE 迁移到 GPU差异化的负载均衡策略平衡并行度和计算效率GPU 带来的性能提升总结与展望在之前的文章中，我们介绍了 GraphScope 背后的图分析引擎原型 GRAPE 系统以及其开源实现 libgrape-lite。本文将介绍 libgrape-lite 的新功能：利用 GPU 来处理 PIE 模型下的图分析任务。这项新功能能够使用户无感地将图分析任务迁移到 GPU 上，利用其高并发高带宽的特性，

本文介绍 GraphScope 团队与东北大学张岩峰教授团队的学术合作项目，可以高效处理动态大规模图数据的自动增量图分析框架 Ingress。该成果论文 Automating Incremental Graph Processing with Flexible Memoization[1] 发表于 VLDB’2021。背景随着图数据的迅速增长，对处理大规模图数据的需求也不断增加，也涌现了各种分布式图处理系统，如 Pregel、PowerGraph、GeminiGraph、GRAPE等。但这些分布.

GraphScope 的图分析引擎源自于 GRAPE 系统。本文介绍 GRAPE 的开源实现：高性能并行图分析 C++ 库 libgrape-lite。该图计算库具有性能优越、易用性好、模块化设计、支持自动并行化等特点，当前也是 GraphScope 项目的一个 submodule。背景图数据作为一种表示数据之间关系的抽象模型，可以直观、自然地表示现实世界中各种实体对象以及它们之间的关系。在大数据场景下，社交网络、交易数据、知识图谱、交通和通信网络、供应链和物流规划等都是典型的以图建模的例子...

对于图计算来说，一个基础性的问题是如何选取合适的编程模型。它不仅决定了用户上手的难易程度，还对系统的整体性能有很大的影响。