Amazon Neptune 功能

藉助 Neptune 資料庫，您可利用建立多達 15 個資料庫僅供讀取複本的方式，增加讀取輸送量，以支援大量的應用程式請求。Amazon Neptune 複本與來源執行個體共享同一個基礎儲存，不僅能降低成本，也能消除在複本節點執行寫入的需求。這會釋放更多的處理能力來處理讀取請求並降低複本的延遲時間，通常可降低到幾毫秒。Neptune 還為讀取查詢提供單一端點，因此應用程式無須記錄每個新增和刪除的複本就可以連接。

Neptune 支援快速、高效的複製操作，可以在幾分鐘內複製整個數 TB 的資料庫叢集。複製功能在許多方面都非常實用，包括應用程式開發、測試、資料庫更新和執行分析查詢。資料的即時可用性可大幅加速軟體開發和升級專案，並使分析更加準確。

只需在主控台執行幾步操作，即可複製 Neptune 資料庫，而不會影響生產環境。該克隆分佈在三個可用區域並進行複寫。

Neptune Analytics 支援各種演算法，用於尋找路徑、偵測社群 (叢集)、識別重要資料 (中心位置) 以及量化相似性。路徑尋找演算法有效地確定兩個節點之間的最短或最佳路由。路徑尋找演算法可讓您將真實情況 (例如道路網路或社交網路) 作為互連的節點和邊緣建模。在 GPS 系統的路線規劃、物流最佳化，甚至在解決生物學或工程等領域中的複雜問題時，於應用程式中找到各個點之間的最短或最最佳路徑至關重要。

社群偵測演算法會計算網路中有意義的群組或節點叢集，從而揭示隱藏的模式和結構，這些模式和結構可以提供對複雜系統的組織和動態的洞察。這在社交網路分析、生物學 (用於識別蛋白質-蛋白互動網路中的功能模組)，甚至在了解資訊流和影響在各個領域中的傳播方面非常有價值。

中心位置演算法有助於識別網路中最具影響力或重要的節點，從而提供關鍵參與者或關鍵互動點的深入洞察。這在社交網路分析等領域中非常有價值，它有助於確定有影響力的個人；或者在運輸網路中，它有助於識別重要的樞紐以實現有效率的路由和資源分配。

圖形相似性演算法可讓您比較和分析不同圖形結構之間的結構相似性或不相似之處，從而實現對不同資料集之間的關係、模式和共同點的洞察。這在各個領域中非常有價值，例如生物學 (用於比較分子結構)，社交網路 (用於識別類似社群) 和推薦系統 (根據使用者偏好建議類似項目)。

Neptune ML 由 SageMaker 提供支援，它使用 GNNs，這是一種專為圖形打造的 ML 技術，使用圖形資料進行快速且更準確的預測。相較於使用非圖形方法進行預測，使用 Neptune ML，您可以將大多數圖形預測的準確性提升 50% 以上。

對具有數十億關係的圖形進行準確預測可能既困難又耗時。現有的 ML 方法 (如 XGBoost) 無法在圖形上有效運作，因為這些方法專為表格資料設計。因此，在圖形上使用這些方法可能比較耗時，需要開發人員具備專業技能，並會產生不理想的預測。