引言
本文呈现了ArangoDB图形分析引擎（GAE）与Neo4j的基准测试结果，其中GAE是ArangoDB数据科学套件的重要组成部分。
本次测试具备可重复性，旨在对两款数据库进行中立、全面的对比，确保评估结果公平无偏。测试采用了wiki-Talk数据集——这是一个广泛应用的真实世界图形数据集，源自维基百科的编辑和讨论历史，精准捕捉了维基百科用户间的互动模式，尤其是用户讨论页上的交流行为。
该数据集因具备有向图结构、丰富的节点与边、时间维度属性及稀疏性等独特特征，成为图数据库和图分析系统基准测试的优选。测试结果充分展现了两款数据库的效率与扩展性，为企业评估图数据库提供了极具参考价值的基准模型。
基准测试结果亮点
测试结果揭示了多项关键发现，尤其凸显了ArangoDB在图分析任务中的卓越性能，具体如下：
在多种图计算算法上，ArangoDB表现持续优于Neo4j，性能提升幅度在1.3倍至8倍不等。
在图数据加载速度上，优势同样显著。针对wiki-Talk数据集，ArangoDB的图加载效率较Neo4j实现了100%的提升。
这一出色表现得益于ArangoDB优化的数据存储与检索机制、先进的查询执行逻辑，以及对集群部署的高效利用，使其在各类场景中都能发挥出色性能。这些发现充分证明：
ArangoDB能够支撑更大规模、更高速度的实时图分析应用。
对于需要快速数据处理与分析的行业和企业而言，ArangoDB是更具吸引力的选择，例如实时推荐系统、社交网络分析、欺诈检测及网络安全等领域。
测试详情
数据集（wiki-Talk）
本次测试选用了业内公认的wiki-Talk数据集来评估图数据库的性能，具体数据规模如下：
| 使用的图 | 节点数 | 边数 |
| wiki-Talk | 2,394,385 | 5,021,410 |
硬件环境
所有测试均在同一台设备上进行，硬件配置如下：
操作系统：Ubuntu 23.10（64位）
内存：192 GB（4800 MHz）
CPU：Ryzen 9 7950X3D（16核32线程）
数据库配置
| 数据库 | 版本 | 部署方式 |
| Neo4j | 5.19.0（社区版） | 本地部署，单进程 |
| ArangoDB | 3.12.0-NIGHTLY.20240305（社区版） | 本地部署，单进程 |
主要测试流程
测试采用两种工作流来衡量性能：
工作流A：创建内存图(in-memory representation) → 每个算法执行一次 → 测量整个流程耗时
工作流B：创建内存图(in-memory representation) → 测量图创建时间 → 分别执行每个算法 → 测量计算耗时
测试算法
本次测试涵盖以下四种核心图算法：
PageRank（页面排名）：基于节点连接关系对节点进行排名，广泛应用于搜索引擎。
WCC（弱连通分量）：识别图形中任意两个顶点可通过路径连接（忽略边的方向）的子集。
SCC（强连通分量）：识别图形中同一子集内所有顶点可相互到达的子集。
Label Propagation（标签传播）：用于图形社区检测的半监督学习算法，节点通过迭代方式向相邻节点传播自身标签。
所用技术
JavaScript框架：Vitest + tinybench
通信方式：
Neo4j：官方Neo4j JS驱动（"neo4j-driver": "^5.18.0"）
GAE：基于Axios的纯HTTPS 请求（"axios": "^1.6.8"）
测试结果
图加载性能（wiki-Talk数据集）
| 任务 | GAE耗时（秒） | Neo4j耗时（秒） | 速度提升倍数 |
| 加载wiki-Talk图 | 9.9 | 18 | 1.8倍 |
| 加载带属性的wiki-Talk图 | 10.7 | 19.2 | 1.8倍 |
图计算性能（wiki-Talk数据集）
| 任务 | GAE耗时（秒） | Neo4j 耗时（秒） | 速度提升倍数 |
| 计算PageRank | 3.8 | 10.6 | 2.8倍 |
| 计算WCC | 2.3 | 4.5 | 1.7倍 |
| 计算SCC | 3.2 | 6.7 | 2.1倍 |
| 计算Label Propagation | 1.5 | 13 | 8.5倍 |
ArangoDB性能领先的原因
ArangoDB在wiki-Talk数据集上的出色表现，源于其特定的架构优化，而非单纯的计算性能优势。本次测试中，ArangoDB承担数据存储角色，图分析引擎（GAE）负责计算任务，核心优化集中在两个关键阶段：
图加载阶段优化
并行数据提取（Parallel Data Extraction）：ArangoDB支持从单节点和分布式系统中并行加载数据，可横向扩展至多台设备，通过提升并行度加快数据传输速度，相比串行或非并行提取方案，性能大幅提升。
定向数据传输（Projections for Targeted Data Transfer）：仅传输分析所需的数据属性。例如，若仅需边ID和单个属性，系统会精准提取并传输这些字段，避免传输完整文档带来的额外开销，减少数据量和网络延迟。
图分析引擎（GAE）优化
高效的内存结构：采用高度优化的内存数据结构存储图数据，在降低内存占用的同时，保证极快的访问速度，图加载后可立即投入计算，无额外延迟。
测试范围说明
需特别说明的是，本次测试未评估以下内容数据插入ArangoDB的耗时和ArangoDB自身执行的计算任务。测试核心评估维度为：
从ArangoDB向GAE加载图数据的效率。
GAE执行图算法的能力。
通过聚焦这两个阶段，测试充分展现了ArangoDB设计上的优势——能够通过快速数据加载和与GAE的高效协同，支撑大规模图工作流。
测试可重复性保障
本次测试结果100%可复现，确保结果的一致性和可验证性。如需复现测试，可按照以下步骤操作：
搭建硬件环境：安装Ubuntu 23.10操作系统，配置192 GB内存和Ryzen 9 7950X3D CPU。
安装配置数据库：使用提供的Docker配置，安装并配置最新版本的Neo4j和ArangoDB，两者均采用单线程（非集群）配置。
执行测试：使用wiki-Talk数据集，按照测试配置中概述的工作流A和B，运行指定的图算法（PageRank、WCC、SCC、Label Propagation）。
结果对比：测量内存中图创建时间和计算时间，对比两款数据库的表现。
结语
基准测试结果清晰表明，在图计算和数据加载任务中，ArangoDB的性能远超Neo4j。其显著的速度优势——尤其是在执行复杂算法和加载大规模数据集时的高效表现，彰显了其优化的架构设计和出色的数据处理能力。
如果你的应用需要大规模图数据处理+实时或近实时图分析，ArangoDB显然比Neo4j更适合。
对于推荐系统、社交网络分析、欺诈检测、网络安全、知识图谱、复杂关系分析等场景，ArangoDB的速度与可扩展性能够带来明显优势。
ArangoDB不仅是图数据库，它是一个多模型(multi-model)数据平台，结合图(graph)、文档(document)、键值(key/value)、向量(vector)和搜索(search)等能力，使开发者/企业能够更灵活构建复杂应用。
因此，如果你正在为数据密集、连接复杂、需要高性能分析的系统选型，ArangoDB无疑是更值得信赖的选择！