六年蛰伏一鸣惊人，TigerGraph成云栖大会黑马

六年蛰伏一鸣惊人，TigerGraph成云栖大会黑马

    

若说2018年9月在杭州召开的云栖大会期间，活跃着多少匹“黑马”，连同参展的、演讲的、参观的……各色人等一时很难统计出来，但是，不起眼的TigerGraph，一定会是其中最有亮点、最有故事的黑马之一。

这家成立2012年，在大数据图分析领域默默耕耘了6年的公司，一直低调从事市场调研和产品研发迭代。

直到2017年11月8日，TigerGraph的下一代图数据库在美国正式发布，在市场上引起了轩然大波后才为众人所知。这家总部位于硅谷的公司凭借成熟的技术，赢得了启明创投、百度、蚂蚁金融、华创资本、AME云创投、莫拉多风险投资公司、佐德•纳齐姆、丹华资本和DCVC风投基金公司3100万美元A轮资金投资。

从大数据中掘金

有统计报告显示，1分钟之内，美国数亿封邮件被发送，谷歌平台上发起400万次搜索，Facebook上有246万条信息被分享……在中国，类似的数据量更大。例如，在中国约有7000多万家注册企业，由于数据量比较大，要想理清这些公司之间的关系，如企业的持股人、投资关系、诉讼关系至办公地址等类似的关系，是一件很困难的事情；通过检索可以查出一度内有关系的人，也就是控股人控股关系，再深入到两层、三层的关系就不太现实了。

万物互联的时代，社交网络实时在线，物联网7*24小时运行，每天大量的数据还在持续不断的生成。在这样的情况下，该如何挖掘数据的价值，数据关联背后隐藏着什么关系？

TigerGraph创始人兼CEO许昱博士

TigerGraph公司的创始人许昱博士从事数据库和并行系统研发已经二十年，创办TigerGraph之前在Teradata负责大数据面向业界和未来五年的方向研究，领导Teradata和Big Data、Hadoop系统的集成，并且与一些大企业合作解决报表的查询与合并技术。稍早在Twitter工作，作为一个社交网络，图的分析对于Twitter意义重大，Twitter自行开发了一套单机版的纯内存的系统。再早则是在加州大学圣地亚哥分校、在中科院计算所从事数据库方面的研发工作。

可以说，许昱博士是个“不折不扣”的数据库专家，在他的周围聚集的也是来自硅谷等地高科技公司的数据库专家。

为什么会从事图数据库研究？

发掘大数据关联和关联后面隐藏的商业价值，是一个技术难题，但是它的解决无疑具有极大的商业价值。如何解决？

始于Hadoop技术的大数据时代迄今已经过去了十年，一些简单的技术问题如存储、离线处理等问题都得到了解决。十五年前，业界也开始了一些图数据库的尝试。许昱博士指出，图是以数学上点和边的关系把所有的数据自然存在一起，成为自然的存储数据关联模型。TigerGraph之所以采用知识图谱(欧拉图)，是因为图是解决大数据互联最好的方法。

从计算角度，欧拉图更合适大数据的机器学习、人工智能。但由于每前进一步，接触数据量指数性增长，又能带来更多关联信息，所以计算能力至关重要，而技术上的限制，比如缺乏大数据、并行技术、多核计算机等的能力，所以在TigerGraph之前一些图计算的工具计算能力很差。

虽然欧拉图理论已经问世有两百多年，也是最合适的存储和计算互联数据的模型，但现在仍然没有企业中得到最广泛的使用。一方面，图数据库是较为高级的研究方向，从高深的理论到真正商业化，大规模应用还是很有难度分不开；另一方面，关系数据库一直以来都是最大的市场，这也是制约图数据库发展的另外一个原因。同样的道理，虽然关系型数据库时下正大行其道，但在刚开始的前十年，甲骨文的产品和市场都是经过了漫长的迭代。

许昱博士总结了图数据库和传统关系型数据库的三大区别。

一是存储模型不一样，关系型数据库数学模型是表格，一个最简单例子，一个人有一个身份证号、一个住址表、一个工资表、一个上学记录表等存在几个不同的表里，但是物理上、逻辑上都分开了，想知道这个人住在哪个地方，读过哪所学校，要把表合起来，根据值一个个去拼才能找出来。而图里，身份证号码是唯一节点，学校也是唯一节点，马上与全校学生联系起来了。另外，图数据库的压缩率是关系型数据库的2倍至10倍，虽然储存的变化不算太重要，但是计算、内存和对缓存的利用度就不一样，存储模型不一样。