Напишите нам прямо сейчас, наши специалисты расскажут об услугах и ответят на все Ваши вопросы.
Графовые базы данных перестали быть нишевой технологией: 12 апреля 2024 года ISO опубликовал стандарт GQL (ISO/IEC 39075:2024) — первый новый язык баз данных после SQL за 37 лет, что закрепило графовую модель как «первоклассную» в индустрии данных. Но за стандартизацией скрывается разнородный ландшафт: десятки систем, от нативных графовых СУБД и triplestores до графовых слоёв над реляционными ядрами, — с разными моделями, языками и, что важнее, разными философией моделирования.
В руководстве рассматриваются: концепции и философия графовых баз данных (index-free adjacency, два онтологических подхода — Property Graph и RDF, проблема n-арных связей и гиперграфы), внутреннее устройство (хранение, транзакции, партиционирование, OLTP/OLAP), стандарты и языки запросов после 2024 года, полный каталог систем (нативные, мультимодельные, российские, семантические, графовые расширения реляционных ядер) с актуальными статусами, сценарии применения с честными ограничениями, методика выбора и — в заключение — мост к следующей статье: чем семантические базы данных отличаются от графовых и где в этой картине находятся LOGOS-κ и SemanticDB.
Примечание о данных. Статусы систем и версий приведены по состоянию на конец 2026 года; для систем со сменой владельца или прекращением развития это указано явно. Оценки влияния и производительности взяты из перечисленных в конце источников и варьируются между исследованиями; диапазоны следует воспринимать как ориентиры для калибровки, а не как гарантии.
1. Что графовая база данных меняет фундаментально
Вся история систем управления данными — это история о том, где «живут» отношения. Реляционная модель хранит сущности в таблицах, а отношения — как вычисление: соединение (join) выполняется во время запроса, по внешним ключам и индексам. Графовая модель делает обратное: отношение становится первоклассным объектом хранения, таким же физическим, как запись. Это не косметика — это перестройка стоимостной модели запроса.
| Аспект | Реляционная СУБД | Графовая СУБД |
|---|---|---|
| Отношение | Логическое (foreign key), материализуется в join | Физическое (ребро), хранится напрямую |
| Стоимость запроса глубины K | Растёт с объёмом данных (планировщик ищет по индексам) | Пропорциональна числу пройденных рёбер, не общему объёму |
| Гибкость схемы | Строгая; изменение — миграция | Метки и свойства — «эволюция без миграции» |
| Агрегатная аналитика (group by, окна) | Зрелый аппаратный конвейер | Слабее; часто выносится в реляционный слой |
| Транзакции | Зрелая ACID-экосистема | От полной ACID (одноузловые) до eventual consistency (распределённые) |
Ключевые утверждения следуют из этой таблицы, и их стоит читать осторожно:
Графовые СУБД выигрывают не «вообще быстрее», а на глубоких обходах. Запрос «друзья друзей друзей» или «все контрагенты, связанные через 4 слоя владения» в реляционной СУБД превращается в серию join, каждый из которых требует доступа по индексам к растущей промежуточной выборке; в графовой — в последовательность переходов по указателям. На запросах с известным началом (сущность → окрестность) разрыв существенный. На запросах «посчитать по всем строкам» графовая СУБД обычно проигрывает колоночным реляционным движкам — и это норма, а не дефект.
Историческая рамка. Графовые представления данных старше реляционных: сетевая модель CODASYL (1969) хранила связи указателями ещё до того, как Кодд опубликовал реляционную модель (1970). Современный цикл начался в 2000-х с графов свойств (Neo4j, 2007) и семантического веба (RDF, стандарты W3C 1999–2004), а завершился его «институционализацией»: 12 апреля 2024 года ISO опубликовал GQL (ISO/IEC 39075:2024) — первый новый язык баз данных после SQL, ратифицированного в 1987 году. Параллельно графовые шаблоны вошли в SQL как SQL/PGQ (часть 16 стандарта SQL:2023) — один комитет, общая основа сопоставления шаблонов, два языка для двух сценариев.
Однако стандартизация языка — не то же самое, что стандартизация поведения движков. Независимое исследование 2026 года, прогнавшее 17 конструкций GQL и SQL/PGQ через пять продуктов (Kuzu, DuckPGQ, Neo4j 5.26, Neo4j 2026.04, Memgraph, Apache AGE), показало: 9 из 17 конструкций дают более одного ответа в разных движках, а 15 из 26 расхождений — «тихие»: запрос выполняется, не возвращает ошибку, но возвращает другой набор результатов. Ни один внешний движок не разобрал порядок записи, в котором стандарт приводит собственные примеры, — только движок авторов исследования, и то после того, как им сообщили об этом расхождении. Практический вывод: «поддержка GQL» — это спектр, а не галочка, и зрелость реализации нужно проверять на собственных запросах, а не по маркетинговой строке.
2. Концепции и философия графовых баз данных
2.1. Аргумент гомоморфизма: модель должна повторять домен
Философское ядро графового подхода — не «графы модно», а снижение impedance mismatch между тем, как эксперты думают о предметной области (сети сущностей и связей), и тем, как это хранится. Там, где домен действительно сетевой — контрагенты, родословные, цепочки влияния, зависимые сервисы, — модель «узлы и рёбра» совпадает с моделью мышления эксперта, и запрос читается как постановка задачи, а не как recipe соединений. Там, где домен табличный (бухгалтерия, каталоги с фиксированной схемой), графовая модель даёт лишнюю гибкость за счёт ослабления гарантий — и реляционная остаётся правильным выбором.
Отсюда практичный тест: если в вашей модели доминируют отношения «многие-ко-многим» с собственными атрибутами и глубина запроса заранее неизвестна — графовый слой окупается; если глубина фиксирована (1–2 join) и схема стабильна — нет.
2.2. Index-free adjacency: инженерное ядро нативных графов
Термин описывает главное отличие нативных графовых СУБД: каждый узел содержит прямые ссылки на связанные узлы и рёбра, поэтому переход по ребру не требует поиска по индексу. В Neo4j это реализовано в физическом формате записей (узел хранит указатели на первое ребро входящих и исходящих списков); в in-memory системах — списками смежности.
Честная формулировка без маркетингового преувеличения: index-free adjacency даёт константную стоимость одного перехода (не зависящую от общего числа узлов), что превращает стоимость обхода в линейную функцию длины пути и степени вершин. Реляционные СУБД компенсируют разрыв кэшированием, bitmap-индексами и статистическими планами, и на маленьких графах разрыв исчезает. Разрыв виден на: (а) глубокой рекурсии, (б) больших графах, (в) запросах с неизвестной заранее глубиной — ровно там, где join-планы деградируют.
2.3. Два онтологических подхода: Property Graph против RDF
Внутри «графовых баз данных» живут две традиции с разной философией — и путаница между ними — самая частая экспертная ошибка при выборе.
| Измерение | Property Graph (LPG) | RDF (Resource Description Framework) |
|---|---|---|
| Единица данных | Узел с метками и свойствами; ребро с типом и свойствами | Триплет: субъект — предикат — объект |
| Идентификация | Внутренние идентификаторы; глобальная идентичность не встроена | URI/IRI — глобальная идентичность сущности и предиката |
| Схема | Локальная, неявная (метки); «schema-later» | Явная (RDFS/OWL-онтологии); «schema-first» |
| Допущение о мире | Закрытый мир (CWA): чего нет в базе — ложно | Открытый мир (OWA): отсутствие факта не означает его ложности |
| Типизация | Метки и свойства; слабая семантика типов | Классы, иерархии, домены/диапазоны; логический вывод (reasoning) |
| Языки | Cypher/openCypher, Gremlin, GQL, GSQL | SPARQL |
| Экосистема | Прикладные графы (соцсети, фрод, сети) | Графы знаний, интеграция данных, межорганизационный обмен |
| Стандартизация | ISO GQL (2024), SQL/PGQ (2023) | W3C: RDF, OWL, SPARQL, SHACL |
Практическое следствие: LPG — модель приложения, RDF — модель интеграции и знания. LPG оптимизирована под транзакционные обходы и быструю эволюцию; RDF — под выравнивание словарей разных источников и логический вывод. Границы размываются с двух сторон: RDF-star (RDF) добавляет триплетам вложенные аннотации, сближая их с рёбрами LPG, а GQL стандартизует LPG-часть так, чтобы она была совместима с SQL-миром.
2.4. Проблема n-арных связей: где ломаются обе модели
Ребро LPG соединяет ровно два узла. Связь «сделка между продавцом, покупателем, банком и страховщиком с датой, суммой и статусом» — четыре участника и атрибуты. Оба подхода решают это обходными путями, и оба имеют цену:
- LPG: узел-посредник (reification node) — «Сделка» с рёбрами к участникам и свойствами; кластеризация запроса усложняется;
- RDF: классическая реификация (rdf:Statement) раздувает граф в 4+ раза на каждый квалифицированный факт; синглтон-предикаты и RDF-star сокращают накладные расходы;
- Wikidata, крупнейший публичный граф знаний, выработала собственную модель утверждений с квалификаторами — не RDF, но экспортируемую в RDF и JSON; на ~5 млрд триплетов это обходится примерно в 400+ ГБ хранилища.
Экспертный вывод: перед выбором СУБД промоделируйте свои n-арные связи — сколько узлов-посредников появится, как изменятся запросы. Это одна из главных причин, почему миграция графа «как есть» между системами редко бывает бесплатной.
2.5. Гиперграфы: когда ребро соединяет больше двух узлов
Отдельная ветвь эволюции — гиперграфы, в которых ребро (гиперребро) может соединять произвольное число вершин. Это прямая альтернатива реификации для n-арных связей: вместо узла-посредника появляется гиперребро, которое само является объектом первого класса.
Практическая зрелость этого направления невысока. HyperGraphDB — один из старейших проектов (2007), поддерживающий гиперребра с вложенными графами и OWL-формализмы, — по состоянию на 2026 год находится в состоянии спорадической поддержки: последний формальный релиз 1.3, всплеск исправлений в октябре 2026 после нескольких лет тишины, но для production-нагрузок не рекомендуется. Более молодые инициативы (Hypergraph-DB на Python, HelixDB) находятся в стадии бета-версий и исследовательских прототипов.
Экспертная позиция: гиперграфы концептуально привлекательны для сложных n-арных доменов (клинические исследования, юридические отношения с множеством сторон), но операционно незрелы. Для продакшена сегодня реалистичнее LPG с реификацией или RDF с RDF-star, а гиперграфы — предмет пилотных исследований, а не основа архитектуры.
2.6. Философия запросов: сопоставление шаблонов против обхода
Два стиля запросов отражают две философии:
- Декларативное сопоставление шаблонов (Cypher, SPARQL, GQL): вы описываете искомый подграф, движок выбирает порядок обхода. Запрос читается как описание результата.
- Программный обход (Gremlin): вы строите поток шагов (out(), where(), groupCount()). Мощно для алгоритмических обходов, но порядок выполнения задан в запросе — движок оптимизирует слабее.
GQL объединяет декларативность с конвейерной структурой: запрос — это цепочка утверждений (MATCH → LET → FILTER → RETURN), результат каждого — таблица привязок переменных; пути являются первоклассными значениями (типы Vertex, Edge, Path), а модификаторы пути (TRAIL, ACYCLIC) контролируют повторное использование рёбер — что критично, например, для суммирования переводов по циклам без двойного счёта.
2.7. Теоретические пределы, о которых стоит помнить заранее
- Подграф-изоморфизм NP-полон: «найди в графе вот такой шаблон» — в худшем случае экспоненциальная задача; движки спасаются ограничениями меток и селективностью, но ад-запросы существуют.
- Партиционирование графа NP-hard: равномерно разрезать связный граф по машинам, минимизируя разрезы, — задача без общего полиномиального решения. Отсюда все распределённые графовые СУБД платят за масштабирование: либо дублированием вершин на границах разрезов, либо сетевыми переходами между шардами.
- Открытый мир RDF делает «отсутствие факта» неинформативным: проверки целостности в RDF-мире — это SHACL/ShEx-валидация, а не NOT NULL.
3. Как графовые СУБД устроены внутри
3.1. Спектр архитектур хранения
| Архитектура | Примеры | Механизм | Следствия |
|---|---|---|---|
| Нативное хранение | Neo4j | Собственный формат записей узлов/рёбер с указателями | Максимальная скорость обхода; ACID; одна машина (кластеры — реплика) |
| Поверх KV-хранилищ | JanusGraph (Cassandra/HBase/ScyllaDB), HugeGraph | Списки смежности как ключ-значение | Горизонтальная масштабируемость; сложность распределённых обходов |
| In-memory | Memgraph, Tarantool | Всё в оперативной памяти; снимки и WAL | Микросекундные обходы; зависимость от RAM |
| Колонковое embedded | Kuzu (архивирован; LadybugDB — преемник), DuckPGQ | Колонковое хранение, прирастающее | Аналитика на графах рядом с Python; без сервера |
| Распределённые с разделением | NebulaGraph, TigerGraph, Dgraph | Шардирование графа; параллельные обходы | Триллионы рёбер; чувствительность к разрезам |
| Над реляционным ядром | Apache AGE, SQL Server, Oracle PGX, SAP HANA, Spanner Graph | Графовые представления поверх таблиц | Использование существующей инфраструктуры; компромисс по скорости обходов |
Важное обновление статуса (2026). Kuzu — embedded-графовая СУБД, которую многие считали «SQLite мира графов», — была приобретена Apple, а её публичный репозиторий архивирован в октябре 2025 года с последним релизом 0.11.3. Проект продолжается под именем LadybugDB (C++ embedded graph DB), но это уже другая кодовая база и другое сообщество. Для новых проектов, рассматривавших Kuzu как embedded-вариант, это существенное изменение ландшафта: проверяйте актуальный форк и его поддержку.
3.2. Транзакции и согласованность
Одноузловые нативные СУБД (Neo4j) дают полную ACID. Распределённые — обычно жертвуют: Dgraph и NebulaGraph дают сильно согласованные записи в пределах репликации, но глобальные обходы по шардам исполняются с ограничениями изоляции; in-memory системы (Memgraph) дают ACID на узле и репликацию для отказоустойчивости. В экспертной практике это фиксируется вопросом: какая часть графа должна быть транзакционно согласована и с какой скоростью её нужно читать — от ответа зависит класс системы.
3.3. Партиционирование: цена горизонтальной масштабируемости
Два базовых подхода к разрезанию: edge-cut (вершина остаётся в одном шарде, рёбра разрезаются — доминирует в системах «над KV») и vertex-cut (вершина дублируется на машины, рёбра остаются — придуман для power-law графов в PowerGraph). Приложения поверх шардинга сталкиваются с тем, что глубокий обход пересекает сеть: латентность обхода начинает определяться числом межмашинных переходов. Практика: нативные одноузловые системы остаются конкурентоспособными до размеров, которые впечатляют (десятки миллиардов рёбер на одной машине с достаточной памятью); распределённость нужна раньше всего при одновременной высокой интенсивности записи и аналитической нагрузке.
3.4. OLTP, OLAP, HTAP и GOLAP
- OLTP-графы: фрод-детекция в реальном времени, управление доступом, каталоги запчастей — миллисекундные обходы, частые записи.
- OLAP-графы (графовая аналитика): PageRank, связность сообществ, алгоритмы на миллиардах рёбер — пакетные и потоковые аналитические движки.
- HTAP — гибрид: редко удаётся без компромиссов. Замеры 2026 года показывают, что при смешанной нагрузке (50 % транзакций + 50 % аналитики) p99-латентность TigerGraph вырастает с ~35 мс на чисто транзакционной нагрузке до ~210 мс — деградация, которую вендорские материалы обычно не афишируют.
- GOLAP — графовый аналог массово-параллельной аналитики триплетов (класс AnzoGraph/Altair Graph Studio).
3.5. Бенчмарки: как не купить маркетинг
Вендорские бенчмарки графовых СУБД ненадёжны: данные, запросы и настройки у каждого свои. Отраслевой стандарт — LDBC Social Network Benchmark (SNB) и профильные потоки (FinBench): сгенерированные данные, фиксированный набор запросов, сопоставимые конфигурации.
Но и здесь результаты неоднозначны. Одни исследования на LDBC SNB показывают Neo4j как лидера по совокупности метрик (загрузка, время выполнения запросов, эффективность CPU/RAM), другие — TigerGraph с превосходством на порядки на отдельных типах запросов (глубокие интерактивные и BI-запросы), третьи фиксируют падение пропускной способности TigerGraph при масштабировании с SF1 до SF10. Причина расхождений — в конфигурациях, размерах данных и типах запросов; единого «победителя» не существует.
Экспертная дисциплина: (1) прогнать свои данные и запросы через LDBC-подобный сценарий, (2) сравнивать не «операции в секунду», а p99-латентность под целевой нагрузкой, (3) проверять поведение при конфликтах записи и при масштабировании — именно здесь новые системы часто теряют преимущество.
4. Языки запросов и стандарты: карта после 2024 года
| Язык | Модель | Статус | Где живёт | Стиль |
|---|---|---|---|---|
| GQL | Property graph | ISO/IEC 39075:2024 — действующий стандарт | Neo4j, TigerGraph, Oracle, Memgraph, AWS Neptune (реализация движется) | Декларативный, конвейерный |
| SQL/PGQ | Property graph поверх SQL | Часть ISO 9075 (SQL:2023), ч. 16 | Oracle 23ai+ (GA); PostgreSQL 19 — откат в Beta 4 (сентябрь 2026); DuckDB — расширение DuckPGQ; SQL Server — проприетарный MATCH, не стандарт | Графовые шаблоны внутри SQL |
| Cypher / openCypher | Property graph | Де-факто стандарт LPG; база GQL | Neo4j, Memgraph, Apache AGE, AgensGraph, десятки реализаций | Декларативный, шаблонный |
| Gremlin | Property graph | Apache TinkerPop | JanusGraph, HugeGraph, Cosmos DB, Aerospike Graph | Программный обход |
| SPARQL | RDF | W3C-стандарт (SPARQL 1.1; версия 1.2 — в работе) | Все triplestores | Декларативный, триплетный |
| GSQL | Property graph | Собственный (TigerGraph) | TigerGraph | Декларативный + процедурные блоки |
| AQL | Мультимодель | Собственный (ArangoDB) | ArangoDB | Декларативный, графовые операторы |
| DQL / GraphQL | Property graph | Собственный (Dgraph) | Dgraph | GraphQL-нативность, DQL для обходов |
Четыре экспертных замечания к таблице.
Во-первых, GQL — это не GraphQL. Совпадают первые три буквы и почти ничего больше: GraphQL — язык запросов к API, не имеющий понятий узла, ребра и обхода в смысле базы данных; GQL — полноценный язык базы данных (схема, DML, каталог, транзакции).
Во-вторых, «поддержка GQL» — это спектр, а не галочка. ISO определяет язык, а не движок; реализации покрывают разные части стандарта, и, как показано в разделе 1, расхождения между движками значительны и часто «тихие». Зрелость стоит проверять по документированной поверхности и собственным тестам, а не по строке в маркетинговом материале.
В-третьих, SQL/PGQ — это не «SQL с графами» в общем случае. Oracle 23ai+ — единственная крупная реляционная СУБД с GA-поддержкой SQL/PGQ во всех редакциях, включая Free. PostgreSQL 19 должен был получить поддержку, но в Beta 4 (24 сентября 2026) изменение было откатано, и релиз выйдет без SQL/PGQ. DuckPGQ — референсная не-Oracle реализация, но research-grade. SQL Server использует проприетарный MATCH, а не стандарт. Это важно для планирования миграций: стандарт есть, но его реализация в реляционном мире пока фрагментирована.
В-четвёртых, для России и организаций с требованиями к суверенитету стандартизация имеет значение: GQL и SQL/PGQ дают нейтральный язык, на котором можно переносить запросы между совместимыми реализациями — снижая зависимость от конкретного вендора, в отличие от эпохи «каждый вендор — свой язык».
5. Каталог графовых СУБД: полный обзор с актуальными статусами
Каталог построен по пяти группам и охватывает нативные системы, мультимодельные платформы, российские разработки, семантические (RDF) хранилища и графовые слои над реляционными ядрами. Статусы приведены по состоянию на конец 2026 года; для систем со сменой владельца или прекращением развития это указано явно — именно эти детали чаще всего устаревают в обычных обзорах.
5.1. Нативные графовые СУБД (Property Graph)
| Система | Языки | Архитектура | Лицензия / статус | Экспертная оценка |
|---|---|---|---|---|
| Neo4j | Cypher, GQL (переход), RDF (через плагины) | Нативное хранение, ACID | Mixed (GPLv3 Community / коммерческая Enterprise), AuraDB — облако | Индустриальный лидер: зрелость, экосистема (Graph Data Science, интеграции), самое большое сообщество. Ограничения — масштабирование на запись и цена Enterprise |
| Memgraph | Cypher, Bolt-совместимость | In-memory, C++, снимки + WAL | BSL (Magic) / enterprise-лицензия | Аналитика в реальном времени: микросекундные обходы, потоковая загрузка (Kafka/Pulsar), процедуры на Python/C++/Rust. Ниша — телеметрия, фрод, сетевой мониторинг |
| TigerGraph | GSQL | Распределённый, MPP-аналитика | Коммерческая, есть бесплатная версия | Глубокая аналитика (Deep Link Analytics): распределённые алгоритмы, до 10+ хопов. Сильна в фрод-аналитике и AML; дорого, узкая экосистема. Замеры HTAP показывают деградацию p99 при смешанной нагрузке |
| Dgraph | GraphQL, DQL | Распределённый, Go, поверх KV | Apache 2.0; с октября 2025 — у Istari Digital (ранее Hypermode) | Нативный GraphQL как первоклассный язык; горизонтальное масштабирование; история владельцев турбулентна, но текущий владелец декларирует продолжение open-source развития и roadmap на 2026 |
| JanusGraph | Gremlin, TinkerPop | Над Cassandra/HBase/ScyllaDB | Apache 2 | Наследник Titan; версия 1.2.0 (октябрь 2026) с TinkerPop 3.8.2 и Java 11+. Масштабируемость за счёт проверенных бэкендов, но распределённые обходы медленные; релизный цикл неспешный |
| NebulaGraph | nGQL (openCypher-совместим) | Распределённое разделение compute/storage | Apache 2 | Заявления о графах с триллионами рёбер; v5.2 добавляет нативный graph-vector-text гибридный поиск и MCP-сервер для агентов. Три демона (graphd, metad, storaged) — эксплуатационная сложность |
| Kuzu → LadybugDB | Cypher | Embedded, колонковый | Kuzu приобретён Apple, репозиторий архивирован в октябре 2025 (последний релиз 0.11.3); преемник — LadybugDB (C++ embedded graph DB) | Бывший «SQLite мира графов»; для новых проектов оценивать LadybugDB и его сообщество, а не архивный Kuzu |
| ArcadeDB | SQL, Gremlin, Cypher (через API) | Мультимодельное ядро (наследник OrientDB) | Apache 2 | Мультимодельность в одном ядре; компактность; сообщество небольшое |
| HugeGraph | Gremlin | Распределённый | Apache 2 (graduated) | TinkerPop-экосистема, китайское происхождение, применение в интернет-системах; зрелость интерфейсов ниже западных аналогов |
| Sparksee (ранее DEX) | Собственный API + Cypher-совместимый слой | Нативный, компактное хранение | Коммерческая / бесплатно для исследований | Уникальная плотность хранения (подходит и для embedded); аналитическая ниша |
| TerminusDB | WOQL + GraphQL | Граф + версионирование по принципу Git | Apache 2 | Управление схемой как кодом, ветвление и слияние данных — уникальная фича для инженерии данных |
| TypeDB (ранее Grakn) | TypeQL | Полиморфная база знаний со строгой типизацией и логическим выводом | MPL 2 / коммерческая | Занимает нишу между LPG и онтологиями: встроенный вывод, строгая схема; отдельная философия — принимать осознанно |
| FlockDB | Собственный API | Распределённый, простые списки смежности | Open source (Twitter/X), не поддерживается | Исторический интерес: образец «графа подписок» на масштабе соцсети; для новых проектов не рекомендуется |
| InfiniteGraph | Собственный API | Распределённый корпоративный | Разработка прекращена (Objectivity) | Не рассматривать для новых внедрений |
5.2. Мультимодельные СУБД с поддержкой графов
| Система | Графовый слой | Статус | Экспертная оценка |
|---|---|---|---|
| ArangoDB | Графы в AQL, единый язык для документов/графов/KV/векторов | Active; смешанная лицензия (BSL) | Лучшая когерентность мультимодели: один язык, один запрос; графовые обходы медленнее нативных систем |
| OrientDB | Документно-графовое ядро | Развитие фактически передано преемникам (ArcadeDB); OrientDB Ltd куплена (SAP в 2019) | Историческая система; для новых проектов — ArcadeDB или нативные графовые СУБД |
| Aerospike Graph | Gremlin поверх Aerospike | Коммерческая | Графовая аналитика на сверхбыстром KV-стержне; ниша — телеком и фрод на огромных объёмах |
| SurrealDB | Графовая семантика в RECORD-связях | Молодая, быстроразвивающаяся, Rust, Apache 2 | Обещающий «всё в одном» (Relational+Document+Graph), но графовая часть immature — оценивать по своим нагрузкам |
| Fauna | Графовые связи в документной модели | Сервис закрыт 30.05.2025; анонсирован open source ядра и FQL | Пример риска проприетарных бессерверных БД: миграция при закрытии сервиса обязательна — урок для архитектур |
| MarkLogic (Progress) | RDF/триплеты + документы + поиск | Коммерческая | Enterprise-ниша: семантика поверх документного хранилища; дорогая, но зрелая |
| DataStax Enterprise Graph | Gremlin поверх Cassandra | Графовый модуль объявлен устаревшим и выведен из линейки | Не выбирать; путь — JanusGraph поверх Cassandra или другие системы |
5.3. Российские графовые СУБД и платформы
| Система | Профиль | Экспертная оценка |
|---|---|---|
| Comindware ElasticData | Запатентованная графовая модель хранения в основе Comindware Business Application Platform (low-code) | Граф здесь — внутренняя реализация BPM-платформы, а не самостоятельная СУБД; ценность — в связке с процессным движком |
| NitrosBase | Мультимодельная СУБД: реляционная, графовая, документная, RDF-хранилище в одном ядре; SparQL, SQL | Редкий отечественный пример «graph-on-relational» с единым ядром; подходит для внедрения в существующий SQL-ландшафт. Публичных бенчмарков мало — оценивать на собственных нагрузках |
| ГудДБ (GoodDB) | Аналитическая платформа и СУБД для графового анализа больших массивов связанных данных | Ниша — аналитика и визуализация связей (госструктуры, безопасность); оценивать по собственным нагрузкам |
| Tarantool Graph DB | In-memory графовая СУБД на базе Tarantool (VK) | Сильный in-memory стержень с Lua-экосистемой; графовый слой над Tarantool — плюс для команд, уже живущих в этой среде. Версия 26.1 (июль 2026) |
| NtechLab, Semantic Archive, Cronos | Проприетарные графовые движки в составе систем аналитики, кибербезопасности и OSINT | Типовой паттерн: граф как внутренний компонент аналитических платформ; прямого доступа к СУБД нет — оценивать платформу целиком |
Практический комментарий к российскому сегменту: зрелых самостоятельных нативных графовых СУБД с открытой моделью использования немного; чаще граф встроен в платформу. При требованиях к импортозамещению реалистичный путь — JanusGraph/NebulaGraph-класс open source (если допустимо) или Tarantool-экосистема, либо платформенные решения с встроенным графовым слоем.
5.4. Семантические графовые БД (RDF / Triplestores)
| Система | Профиль | Статус | Экспертная оценка |
|---|---|---|---|
| AllegroGraph | RDF-хранилище с SPARQL, Prolog, геопространственными возможностями | Коммерческая (Franz) | Уникальная связка SPARQL+Prolog для логического вывода; ниша — фарма, биоинформатика |
| Ontotext GraphDB | RDF-хранилище с развитым reasoning | Коммерческая | Один из самых зрелых triplestores; коннекторы к реляционным источникам; хорошо документирован |
| Stardog | Граф знаний + виртуализация внешних источников | Коммерческая | Сильная фича — data virtualization: SPARQL-запросы к данным, лежащим в других СУБД; редкость |
| Blazegraph | Высокопроизводительный triplestore | Разработка остановлена; Wikidata (WDQS) мигрирует на QLever: новые эндпоинты доступны с ноября 2026, деградация Blazegraph-эндпоинтов возможна с февраля 2027 | Был стандартом де-факто (Wikidata); сегодня для новых проектов — не рекомендуется |
| OpenLink Virtuoso | Гибрид: реляционное ядро + RDF | Коммерческая + open source | Проверенное масштабирование (Wikipedia/DBpedia era); гибридность — уникальный плюс для связки SQL+SPARQL |
| Amazon Neptune | Управляемый графовый сервис | Облачный (AWS) | Поддержка и LPG (Gremlin, openCypher), и RDF (SPARQL) в одном сервисе; управляемость вместо контроля |
| Altair Graph Studio (ранее AnzoGraph DB) | GOLAP — массово-параллельная аналитика триплетов | Коммерческая | Ниши аналитики графов знаний; редкий сегмент |
| Oxigraph | Лёгкий RDF-стек на Rust | Open source | Embedded/CLI-профиль; для прототипов и встраивания |
| Apache Jena (TDB2) | Фреймворк + хранилище триплетов | Apache 2 | Стандартная основа Java-мира семантического веба; один из немногих полнофункциональных open-source RDF-стеков |
5.5. Графовые слои над реляционными и облачными ядрами
| Система | Механизм | Экспертная оценка |
|---|---|---|
| Google Spanner Graph | Нативный графовый слой поверх Spanner, ISO GQL + openCypher | Первая крупная реализация GQL в облачном продукте; зрелый путь для уже использующих Spanner |
| Azure Cosmos DB (Gremlin API) | Gremlin поверх мультимодельного ядра | Зрелый, но частично ограниченный Gremlin; проверять актуальный статус для новых проектов |
| Apache AGE | Расширение PostgreSQL с openCypher | Open source; глубина 1–2 работает приемлемо, глубина 3+ деградирует, а на глубине 6 запросы могут зависать из-за join-взрыва в планировщике PostgreSQL. Нулевая эксплуатационная надстройка, но не для глубоких обходов |
| AgensGraph | Форк PostgreSQL с графовым ядром | Cypher + SQL в одном ядре; развитие зависит от небольшого сообщества |
| SQL Server Graph | GRAPH-таблицы и MATCH в T-SQL | Ограниченный граф; хорош в сценариях «немного графа в SQL-мире», но не стандарт SQL/PGQ |
| Oracle Spatial and Graph / PGX | Графовый движок и аналитика в составе Oracle; SQL/PGQ GA в 23ai+ | Мощная аналитика PGX; дорогая; для существующих Oracle-ландшафтов. SQL/PGQ — единственная крупная GA-реализация стандарта |
| SAP HANA Graph | Встроенный граф в in-memory ядро | Хорошо для SAP-ландшафтов; вне SAP — узкая применимость |
5.6. Сводная карта: кому что подходит
| Ситуация | Реалистичные кандидаты |
|---|---|
| Новый прикладной граф, зрелость и экосистема важнее масштаба | Neo4j, Memgraph |
| Триллионы рёбер, распределённая аналитика | NebulaGraph, TigerGraph, Sparksee |
| Gremlin-экосистема, существующий Cassandra/HBase | JanusGraph, HugeGraph |
| Embedded-аналитика графа рядом с Python/ИИ | LadybugDB (преемник Kuzu), Oxigraph, DuckPGQ |
| Граф знаний с выводом и интеграцией | Ontotext GraphDB, Stardog, AllegroGraph, TypeDB |
| Импортозамещение | Tarantool, NitrosBase, ГудДБ; open source JanusGraph/NebulaGraph при допустимости |
| «Немного графа» в существующем SQL-ландшафте | Oracle 23ai+ (SQL/PGQ), Apache AGE, SQL Server Graph, Spanner Graph |
| Граф для ИИ-агентов (память, RAG) | Neo4j, Dgraph, NebulaGraph v5.2, мультимодели с векторным поиском (ArangoDB, SurrealDB) |
6. Сценарии применения: где графы приносят деньги
Сценарии стоит рассматривать через одну линзу: стоимость запроса зависит от глубины и неизвестности связей. Отсюда — короткий список сценариев, где графовый слой окупается, и «анти-сценариев», где он его не окупает.
| Сценарий | Почему граф | Критическое ограничение |
|---|---|---|
| Фрод и AML (Entity Link Analysis, кольца) | Мошеннические структуры — это топология (общие IP, устройства, бенефициары через 3–4 слоя); SQL-мир ищет их серией join, граф — обходом | Качество идентификации сущностей (entity resolution) важнее СУБД; дедупликация — 80 % работы |
| Рекомендации | Реальное время + глубина связей (пользователь–товар–категория–контекст) | На огромных данных обычно гибрид: граф для связей + ML-модель для скоринга |
| Графы знаний и GraphRAG | ИИ-агентам нужны верифицируемые связи между фактами, а не только векторы; граф даёт многошаговый retrieval с прослеживаемостью | Требует дисциплины онтологии — см. разделы 9–10; конвертация текста в граф — отдельная инженерная задача |
| Мониторинг инфраструктуры и сетей | Зависимости сервисов, маршрутизация, трассировка влияния отказа | Постоянное обновление графа — операционная дисциплина |
| Мастер-данные и происхождение данных (lineage) | Связи между таблицами, задачами, отчётами — это граф | Ценность напрямую зависит от полноты записи lineage |
| Логистика, маршрутизация | Классический shortest path, взвешенные рёбра | На мега-масштабе специализированные движки (OSRM и пр.) конкурируют |
| Управление доступом, БДП | Правила доступа — это граф субъектов, ресурсов и ролей | Строгая ACID-требовательность — заодно проверять транзакционную модель СУБД |
Анти-сценарии (мнимая «графовность»): (1) CRUD-приложения с фиксированной глубиной запроса — SQL дешевле; (2) полнотекстовый поиск и векторное сходство — векторные БД делают это лучше (в мультимоделиях их полезно совмещать); (3) массовая агрегатная аналитика — колоночные DW остаются быстрее.
7. Проблемы: что мешает внедрению графовых СУБД
1. Дорогой инженеринг знаний. Моделирование домена в графе — это, по сути, проектирование онтологии: требует специалистов, доступных редко, и итераций с экспертом. Недооценка этого — главный источник провалов графовых проектов.
2. Фрагментация языков (частично решённая). До 2024 года каждый вендор — свой язык; GQL и SQL/PGQ стандартизовали модель Property Graph, но реализация стандарта в движках неравномерна и расходится в поведении даже там, где декларируется соответствие. Переход между системами всё ещё требует переписывания запросов — поэтому GQL-совместимость стоит включать в критерии выбора, но проверять её на своих запросах.
3. Шардирование против связности. Разрезание графа — NP-hard; в распределённых системах либо дублируются вершины, либо обходы переходят через сеть. Для приложений с сильной локальностью (по одному пользователю/контрагенту) это работает; для глобальных обходов — нет.
4. Неоднородность согласованности. В распределённых системах ACID — компромисс; разбираться нужно до выбора, а не после.
5. Разрыв экосистемы между LPG и RDF. Два стандарта, два мира инструментов; «конвергенция» через RDF-star сглаживает проблему, но не устраняет её: adoption RDF-star всё ещё ограничен, а инструментальная поддержка неполна.
6. Операционная зрелость категорий различается. Neo4j/Neptune/ArangoDB — зрелые; многие распределённые и embedded — молодые; при выборе нужно различать зрелость технологии и зрелость конкретного продукта.
7. Вендорные риски. История последних лет показывает: закрытие Fauna (2025), прекращение разработки Blazegraph (миграция Wikidata на QLever), архивирование Kuzu после приобретения Apple (2025), смена владельцев Dgraph (Hypermate → Istari Digital) — это не экзотика, а норма рынка. Урок: данные должны экспортироваться в открытом формате, а критичные запросы — не привязываться к проприетарным расширениям без явной бизнес-причины.
8. Гибридные нагрузки — отдельный риск. HTAP-заявления вендоров не выдерживают смешанных нагрузок: замеры показывают кратную деградацию p99 при переходе от чисто транзакционного профиля к смешанному. Планировать гибридные сценарии стоит с запасом и собственными замерами.
8.
1. Классифицируйте нагрузку: OLTP-обходы, аналитика, RAG/ИИ-память, граф знаний с выводом. Разные классы требуют разных систем (см. 5.6).
2. Выберите онтологическую модель: если данные приходят из разных источников и нужна логическая совместимость — RDF; если модель приложения и быстрые обходы — LPG. Существуют системы с обеими моделями (Neptune, TypeDB-класс), но всегда за счёт упрощения одной из них.
3. Проверьте языковую привязку: GQL/openCypher-совместимость снижает риск вендорной привязки; Gremlin — мощь программных обходов, но труднее в миграции. Не доверяйте декларации «GQL-совместимости» без собственного теста.
4. Промоделируйте n-арные связи (2.4): сколько узлов-посредников появится, как изменятся запросы. Если связей с >2 участниками много — рассмотрите RDF-star или гиперграфы (с оговоркой о зрелости).
5. Прогоните свой сценарий на своих данных: LDBC-подобный бенчмарк, p99-латентность под целевой нагрузкой, поведение при конфликтах записи. Помните, что публичные бенчмарки противоречивы (3.5).
6. Оцените управление: миграция данных, резервирование, наблюдаемость, SLA, лицензии, безопасность (RBAC, шифрование), экспорт данных в открытом формате.
7. Проверьте статус вендора: активность репозитория, историю владельцев, класс лицензии (open source vs BSL vs proprietary), план преемственности. Истории Fauna, Blazegraph и Kuzu — формальные причины для этого пункта.
8. Заложите стоимость выхода. Для каждой системы ответьте: в каком формате вы сможете выгрузить данные и запросы, если завтра вендор сменит лицензию или закроется? Если ответа нет — риск слишком высок.
9. Графовые и семантические базы данных: два подхода к связям
Этот раздел — мост к следующей статье цикла, «Руководство по семантическим базам данных».
На первый взгляд Property Graph и RDF решают одну задачу — работать со сложными взаимосвязями. Разница глубже и лежит в философии знания:
| Вопрос | Графовые БД (LPG) | Семантические БД (RDF) |
|---|---|---|
| Что означает «связь» | Физическое ребро между двумя узлами | Утверждение в триплете — часть модели знания |
| Кто определяет смысл | Приложение и его разработчики | Онтология; смысл — договорённость между системами |
| Идентификация | Локальные идентификаторы | URI/IRI — глобальная, переносимая между системами |
| Логика | Приложение | Язык вывода (OWL, RDFS) — часть данных, а не кода |
| Проверка целостности | Constraints, триггеры | SHACL/ShEx — поверх данных |
| Цель | Приложение: быстро и динамично | Интеграция: согласованность значений между источниками |
Ключевое различие, которое редко формулируется прямо: LPG отвечает на вопрос «как связаны данные», RDF — на вопрос «что эти данные означают». Графовая БД — способ хранения и обхода; семантическая БД — способ согласования значений и рассуждений поверх графа. Они не конкуренты в одной нише, а смежные уровни: в зрелых системах LPG часто используется как транзакционный слой, RDF — как интеграционный и когнитивный, с конвертацией между ними.
Полное руководство по семантическим базам данных — следующим шагом цикла: там рассматриваются triplestores, онтологии, логический вывод, графы знаний и практическая граница «когда семантика обязательна, а когда граф достаточен».
10. LOGOS-κ и SemanticDB: следующий шаг за пределы графовых СУБД
Обе традиции — LPG и RDF — разделяют одно фундаментальное допущение: связь — это статический факт. Ребро Neo4j или триплет RDF фиксируют «A связано с B» — и хранятся неизменными, пока схема не изменится вручную. Практика обучения на данных (и вся серия статей о промышленном ИИ) показывает, что этого недостаточно:
- сила связи меняется со временем (датчик «связан» с подшипником сильнее после десяти совпадений аномалий, чем после одного);
- доверие к источнику знания варьируется;
- рассуждения, которые привели к решению, исчезают вместе с носителем;
- «слепые пятна» — области незнания — остаются неявными.
LOGOS-κ и SemanticDB (DST Global, исследовательский проект Λ-Универсум, 2026) предлагают протокол динамических онтологий — класс систем, который отвечает на эти четыре пункта инженерными средствами:
| Свойство | Графовые СУБД (LPG/RDF) | Динамические онтологии (LOGOS-κ / SemanticDB) |
|---|---|---|
| Связь | Статический факт (ребро/триплет) | Активный объект с состоянием, метрикой уверенности (`certainty`), историей активаций, «правом на существование» (`habeas_weight_id`) |
| Изменение | UPDATE записи; история обычно потеряна | Событие `OntologicalEvent` с контекстом, метриками когерентности до/после и намерением оператора (Event Sourcing) |
| Доказательность | Ограничено SHACL/валидацией | Криптографические свидетельства (SHA3-256 / BLAKE3) на актах знаний; полная генеалогия связей (`RelationTensor`) |
| Незнание | Не моделируется | Явные «слепые пятна» — признанные границы знания |
| Открытие связей | Аналитика поверх графа | Процесс Dreaming: автономный поиск скрытых связей (структурные дыры Бёрта, коэффициент Жаккара) с обязательным человеческим подтверждением (`ethical_status="dreaming"`) |
| Вывод | OWL/reasoning — формальный, статичный | Динамический: вывод обновляется по мере накопления свидетельств |
Важно сохранять честную формулировку роли: LOGOS-κ и SemanticDB не заменяют графовые СУБД. Они не предназначены для миллисекундных обходов миллиардов рёбер или транзакционных нагрузок — это задачи Neo4j, NebulaGraph и triplestores. Их ниша — слой знаний над графом: семантическая память, которая придаёт связям уверенность и историю, сохраняет рассуждения, признаёт границы знания и делает возможным самообучение ИИ-систем (связь с предыдущей статьёй цикла о AI4AI) — без потери управляемости.
11. Заключение
Графовые базы данных прошли путь от нишевого решения до области с ISO-стандартом (GQL, 2024) — и этот стандарт, впервые за 37 лет, закрепил графовую модель как полноценную часть мира баз данных. Но зрелость модели не означает зрелости каждой системы: ландшафт разнороден — от одноузловых нативных СУБД и embedded-колонковых движков до распределённых систем на триллионы рёбер и triplestores с логическим выводом, и различия между ними — не маркетинговые, а философские (закрытый vs открытый мир, локальная vs глобальная идентичность, статичная vs динамическая семантика).
Практические правила этой статьи: (1) выбирать по классу нагрузки и онтологической модели, а не по бренду; (2) промоделировать n-арные связи до выбора; (3) гонять свой сценарий на своих данных, не доверяя вендорским бенчмаркам; (4) проверять статус вендора и экспортируемость данных — истории Fauna, Blazegraph и Kuzu показывают, что это не теоретический риск; (5) помнить, что граф решает проблемы связей, но не проблем значений — для этого нужен семантический слой, а для обучающихся ИИ-систем — онтологическая память. Именно семантическому слою посвящена следующая статья цикла.
Приложение А. Чек-лист выбора графовой СУБД
1. Класс нагрузки определён (OLTP / OLAP / RAG-память / граф знаний)?
2. Онтологическая модель выбрана осознанно (LPG vs RDF vs гибрид)?
3. Языковая совместимость: GQL/openCypher/SPARQL — проверена ли на собственных запросах, а не только по декларации?
4. N-арные связи промоделированы и не взрывают схему?
5. Требования ACID против eventual consistency зафиксированы?
6. Прогнана нагрузка на собственных данных (p99, конфликты записи, масштабирование)?
7. Экспортируемость данных в открытом формате (GraphML, N-Triples, CSV) проверена?
8. Статус вендора: репозиторий активен, лицензия ясна, история владельцев известна, план преемственности есть?
9. Безопасность: RBAC, шифрование, аудит, соответствие внутренним регламентам?
10. Стоимость владения на 3 года (лицензии, инфраструктура, сопровождение, обучение) и стоимость выхода посчитаны?
Приложение Б. Глоссарий
- Узел / ребро / свойство — базовые элементы Property Graph.
- Триплет — субъект–предикат–объект; единица RDF.
- LPG (labeled property graph) — модель графа свойств с метками.
- RDF — стандарт W3C для описания ресурсов через триплеты.
- Triplestore — СУБД для RDF-триплетов.
- Ontology / OWL / RDFS — формальные описания понятий, иерархий и правил вывода в RDF-мире.
- SHACL / ShEx — языки валидации RDF-данных.
- GQL — ISO/IEC 39075:2024, декларативный язык запросов к графам свойств; первый новый язык БД после SQL.
- SQL/PGQ — графовые шаблоны внутри SQL (SQL:2023, ч. 16).
- openCypher — открытая спецификация Cypher; основа GQL.
- Gremlin — язык программного обхода графа (Apache TinkerPop).
- Index-free adjacency — физическое хранение ссылок между узлами; константная стоимость одного перехода.
- Edge-cut / vertex-cut — подходы к разрезанию графа при партиционировании.
- Reification / RDF-star — способы моделирования мета-информации о связи в RDF.
- Гиперграф — граф, в котором ребро (гиперребро) может соединять произвольное число вершин; альтернатива реификации для n-арных связей.
- Entity Link Analysis — анализ связей между сущностями (фрод, AML).
- LDBC SNB — отраслевой бенчмарк графовых СУБД.
- CWA / OWA — закрытое/открытое допущение о мире; фундаментальное различие LPG и RDF.
- Knowledge graph — граф, в котором сущности, связи и их смысл формализованы через онтологию.
- GraphRAG — подход к retrieval-augmented generation, в котором поиск опирается на граф знаний, а не только на векторное сходство.
- Динамическая онтология — онтология, в которой связи имеют состояние, меру уверенности и историю изменений; класс решений, к которому относятся, в частности, LOGOS-κ и SemanticDB.
- SemanticDB — «живая онтологическая память» DST Global/Λ-Универсум; связи с уверенностью, историями и доказательствами.
- LOGOS-κ — язык программирования и среда исполнения для динамических онтологий (DST Global/Λ-Универсум).
Приложение В. Связь с циклом статей
- «Искусственный интеллект в производстве: архитектура, экономика и стратегия внедрения» — онтологический слой как ответ на семантическую фрагментацию; зачем ИИ-системам нужен слой знаний.
- «ИИ для ИИ» — рекурсивная автоматизация жизненного цикла ИИ; lineage, журнал мутаций, уровни автономии.
- Руководство по графовым базам данных — инженерная база: как графовые СУБД устроены и выбираются.
- «Руководство по семантическим базам данных» — triplestores, онтологии, вывод, графы знаний, и где в этой картине LOGOS-κ и SemanticDB становятся операционной основой, а не философским дополнением.
Ссылки и стандарты
1. ISO/IEC 39075:2024 — Information technology — Database languages — GQL; официальный сайт проекта: gqlstandards.org.
2. Mandarapu M., Kunkumuru S. Same Pattern, Different Answer: A Reference Semantics and Divergence Map for GQL and SQL/PGQ Path Patterns. arXiv:2609.23032, September 2026 — https://export.arxiv.org/pdf/2609.23032
3. The New Stack. GQL: A New ISO Standard for Querying Graph Databases. 2024 — https://thenewstack.io/gql-a-new-iso-standard-for-querying-graph-databases/
4. BigDataSchool. Новый стандарт языка запросов к графам: знакомство с GQL — https://bigdataschool.ru/blog/opencypher-and-gql-overview/
5. Data Landscape. GQL — Graph Query Language (ISO/IEC 39075:2024) — https://www.data-landscape.com/standards/gql/
6. InfoQ. Fauna Shutting Down: Is the Future Open Source? 2025 — https://www.infoq.com/news/2025/03/fauna-shuts-down/
7. The Register. FaunaDB shuts down but hints at open source future. March 2025 — https://www.theregister.com/2025/03/24/faunadb_shut_down/
8. Istari Digital / Dgraph. Welcome to Istari — Discuss Dgraph, November 2025 — https://discuss.dgraph.io/t/dgraph-welcome-to-istari/ (и dbdb.io, DGraph: Version Comparison) — https://dbdb.io/db/dgraph
9. Wikidata. SPARQL query service/WDQS backend update — https://www.wikidata.org/wiki/Wikidata:SPARQL_query_service/WDQS_backend_update
10. MediaWiki. Wikidata Query Service/User Manual — статус Blazegraph и планы миграции — https://www.mediawiki.org/wiki/Wikidata_Query_Service/User_Manual
11. Malyshev S. et al. Getting the Most out of Wikidata: Semantic Technology Usage in Wikipedia's Knowledge Graph. ISWC 2018 — https://iccl.inf.tu-dresden.de/w/images/5/5a/Malyshev-et-al-Wikidata-SPARQL-ISWC-2018.pdf
12. Migalkin M. KG Course 2021, Lecture 4 — реификация, RDF, модели утверждений — https://migalkin.github.io/kgcourse2021/lectures/lecture4
13. W3C public-holon mailing list. HyperGraphDB status and hypergraph use cases. June 2026 — https://lists.w3.org/Archives/Public/public-holon/2026Jun/0008.html
14. GDB-Engines. Established Graph Databases Compared — 18 Engines — https://gdb-engines.com/compare/established-graph-databases/
15. WhichDB. HyperGraphDB — Graph database, features & alternatives. 2026 — https://whichdb.com/db/hypergraphdb/
16. Jamsql. SQL/PGQ in Practice: GRAPH_TABLE on Oracle and PostgreSQL. July 2026 — https://jamsql.com/blog/2026-07-11-sql-pgq-graph-table-oracle-postgresql/
17. Microsoft Learn / Azure Database for PostgreSQL. Apache AGE Performance Best Practices. January 2026 — https://learn.microsoft.com/en-us/azure/postgresql/flexible-server/concepts-extensions-age
18. WhichDB. Kuzu — Graph database, features & alternatives. 2026 — https://whichdb.com/db/kuzu/ (и LadybugDB — https://whichdb.com/db/ladybugdb/)
19. NebulaGraph. Release notes — v5.2 graph-vector-text hybrid retrieval; MCP server. 2026 — https://docs.nebula-graph.io/
20. JanusGraph. Release 1.2.0. October 2026 — https://github.com/JanusGraph/janusgraph/releases
21. Tarantool. Release notes — 26.1, July 2026 — https://www.tarantool.io/
22. NitrosBase. Мультимодельная СУБД: реляционная, графовая, документная, RDF — https://www1.fips.ru/ (и Platforms.su — https://platforms.su/)
23. RDF-star adoption and Wikidata n-ary benchmark — https://graphdb.ontotext.com/ (и W3C lists — https://lists.w3.org/)
24. LDBC. SNB Business Intelligence Workload — аудированные результаты — https://ldbcouncil.org/benchmarks/snb-bi/
25. GDB-Engines. Graph database rankings, 2026 — https://gdb-engines.com/
26. DST Global, Λ-Универсум. LOGOS-κ: специализированный язык программирования и среда исполнения для работы с динамическими онтологиями, 2026 - https://github.com/A-Universum/LOGOS-k
27. DST Global, Λ-Универсум. SemanticDB: живая онтологическая память, 2026 - https://github.com/A-Universum/SemanticDB
28. Стандарты и базовые документы: W3C RDF 1.1/1.2, SPARQL 1.1, OWL 2, SHACL; ISO 9075:2023 (SQL:2023, ч. 16 SQL/PGQ); Apache TinkerPop; LDBC benchmarks.
В реляционной модели связь существует логически и каждый раз восстанавливается через join, тогда как в графовой она становится частью самой структуры данных. Но важно не превращать это в универсальный аргумент: на агрегациях, отчётности, массовых группировках и предсказуемых запросах с фиксированной глубиной реляционные движки по-прежнему часто выглядят убедительнее. Мне кажется, самая полезная мысль текста состоит именно в этом: графовая СУБД не заменяет реляционную, а занимает свою нишу там, где отношения являются не вспомогательным атрибутом данных, а их сущностью. Отдельно хочется отметить раздел о GQL и SQL/PGQ. Стандартизация, безусловно, важна, поскольку она снижает риск привязки к одному вендору и делает графовые запросы более предсказуемыми на уровне индустрии.
Однако исследование, упомянутое в статье, очень точно показывает, что поддержка стандарта на бумаге и корректная, согласованная реализация в конкретном продукте — вещи разные. Если девять из семнадцати конструкций могут давать разные результаты в разных движках, а часть расхождений вообще не проявляется как ошибка, то переносить запросы между системами без тестирования опасно. Это особенно актуально для компаний, которые строят на графах критичные процессы: комплаенс, риск-анализ, антифрод, управление доступом или цепочки поставок. Здесь тихое расхождение может стоить дороже, чем медленный запрос.
Мне также понравился честный разбор Property Graph и RDF. В реальных проектах люди нередко выбирают технологию по привычке или по маркетинговому описанию, не задумываясь, что перед ними две разные философии. Property Graph удобен, когда нужно быстро моделировать прикладной домен, менять структуру и выполнять транзакционные обходы. RDF уместнее там, где важны глобальная идентичность сущностей, интеграция разнородных источников, онтологии и логический вывод. Но автор справедливо напоминает, что границы между этими подходами постепенно размываются: RDF-star добавляет графам знаний гибкость, а GQL приближает property graph к SQL-экосистеме. Пожалуй, наиболее трезвая часть материала — про n-арные связи. Реальный мир редко укладывается в аккуратные пары «узел — ребро — узел»: сделка, договор, медицинское исследование, корпоративное владение или инцидент почти всегда включают несколько участников и множество атрибутов. И именно здесь выясняется, насколько выбранная модель действительно соответствует домену. Реификация, узлы-посредники, квалификаторы или RDF-star — всё это рабочие решения, но каждое имеет свою цену в сложности запросов, объёме хранения и поддержке.
Поэтому тезис о том, что миграция графа «как есть» между системами редко бывает бесплатной, звучит очень своевременно. В целом статья не продаёт графовые базы как серебряную пулю, а предлагает инженерный взгляд: сначала понять структуру предметной области, затем проверить реальные запросы, транзакционные требования и масштаб, и только после этого выбирать архитектуру. Такой подход гораздо ценнее очередного списка «лучших графовых СУБД».
Самое ценное в тексте — это не каталог систем, который неизбежно устареет, а раздел о тихих расхождениях в реализации GQL, где 15 из 26 зафиксированных отличий не бросаются ошибкой, а молча возвращают разные наборы данных, что для финансовой аналитики или фрод-детекции звучит как приговор. Инженерный вывод из этого следует неутешительный: эра слепой веры в «совместимость по названию языка» закончилась, и теперь любая миграция с Neo4j на TigerGraph или даже между версиями одного вендора требует полноценного регрессионного тестирования на уровне логики запросов, а не просто перекомпиляции кода.
Отдельного уважения заслуживает трезвая оценка распределенных систем: обещания горизонтального масштабирования до триллионов ребер разбиваются о NP-hard задачу партиционирования, из-за которой глубокий обход начинает тонуть в сетевых латентностях на границах шардов, а смешанная HTAP-нагрузка, как честно показано на примере TigerGraph, кратно деградирует p99-время отклика, о чем вендорские презентации обычно умалчивают. В российском контексте этот ландшафт выглядит еще более специфично: вместо зрелых нативных СУБД мы чаще видим графовые слои внутри low-code платформ вроде Comindware или мультимодельные ядра вроде NitrosBase, что заставляет при требованиях к суверенитету смотреть либо в сторону Tarantool, либо в сторону проверенных open-source решений вроде JanusGraph, принимая их эксплуатационную сложность как неизбежную плату за независимость.
В конечном итоге руководство подводит к мысли, что графовая база данных — это не замена SQL для всего подряд, а узкоспециализированный скальпель для задач, где топология связей важнее атрибутов самих сущностей, и попытка лечить им CRUD-приложения с глубиной запроса в один-два join приведет лишь к неоправданному удорожанию инфраструктуры и разочарованию команды.
Однако самая интригующая часть руководства — это выход за пределы статики в описании LOGOS-κ и SemanticDB, которые предлагают лечить главную болезнь современных систем: потерю контекста и истории мутаций. Традиционный граф фиксирует связь «А связано с Б» как окаменелость, но в реальном мире сила этого доверия меняется со временем, зависит от источника и требует доказательств, и концепция динамической онтологии с её уверенностью (certainty), событиями Event Sourcing и криптографическими генеалогиями связей выглядит как необходимый эволюционный шаг для промышленного ИИ.
Без этого слоя «онтологической памяти», способного признавать свои «слепые пятна» и сохранять историю рассуждений, любой GraphRAG останется лишь продвинутым индексом, тогда как динамические системы превращают граф в субъект, способный к автономному поиску скрытых связей через процесс Dreaming с обязательным этическим подтверждением. Это подводит нас к финальному выводу статьи: графовые СУБД достигли своей зрелости как инженерная база, но для создания по-настоящему обучающихся систем нам нужен следующий уровень абстракции, где связь — это не просто указатель в памяти, а активный объект со своей биографией, мерой доверия и правом на существование, что делает анонсированное руководство по семантическим базам данных самым ожидаемым техническим чтением следующего года.
Мне кажется, ключевая проблема рынка сейчас не в отсутствии технологий, а в избыточной уверенности, с которой их рекомендуют. Графовая СУБД действительно может быть отличным инструментом, но только если её выбирают не потому, что «данные связаны», а потому, что связи являются основной нагрузкой системы. Социальные графы, антифрод, рекомендательные системы, анализ цепочек контрагентов, dependency mapping в инфраструктуре — здесь графовая модель почти неизбежно выигрывает по выразительности. Но если у компании обычный учёт, каталог товаров, биллинг или CRM с понятными сущностями и предсказуемыми связями, то перенос данных в граф часто лишь усложняет эксплуатацию. Особенно точным мне показался фрагмент про index-free adjacency.
Это действительно важная инженерная особенность, но её часто подают так, будто она автоматически означает победу над любой реляционной СУБД. На практике всё зависит от размера графа, селективности запросов, кэширования, объёма памяти и характера нагрузки. На небольшом графе современная реляционная база с хорошими индексами может работать более чем достойно, а на огромном графе нативная СУБД всё равно упрётся в ограничения одного узла, если архитектура не рассчитана на распределение. Автор правильно подчёркивает, что стоимость обхода в графовой модели зависит от пройденных рёбер, а не от общего числа записей, но это преимущество раскрывается прежде всего в определённых классах запросов. Не менее важна тема распределённых графов. Партиционирование графа — не техническая деталь, а фундаментальный архитектурный вопрос. Когда связи пересекают границы шардов, каждый дополнительный сетевой переход увеличивает латентность и делает предсказуемость производительности существенно хуже. Edge-cut и vertex-cut решают разные задачи, но ни один из них не устраняет фундаментальную проблему: граф по своей природе плохо делится на независимые части. Поэтому заявления о «бесконечной горизонтальной масштабируемости» графовых систем стоит воспринимать с осторожностью. Иногда разумнее держать большой, но целостный граф на мощном узле с репликацией, чем распределять его ради модного слова «масштабирование».
Отдельно поддержу мысль о бенчмарках. Вендорские сравнения почти бесполезны, если не известны структура данных, селективность, глубина обходов, соотношение чтений и записей, требования к согласованности и профиль нагрузки. LDBC SNB и FinBench полезны как ориентиры, но они не заменяют нагрузочное тестирование на собственных данных. p99-латентность под реальной нагрузкой гораздо информативнее, чем абстрактное число операций в секунду. Особенно показательна ситуация с HTAP: смешение транзакционной и аналитической нагрузки почти всегда приводит к компромиссам, и пример с ростом задержки TigerGraph при смешанной нагрузке хорошо это иллюстрирует. Хочется также сказать о статусах проектов. История с Kuzu — хороший урок для тех, кто выбирает open source исключительно по популярности репозитория или количеству звёзд.
Приобретение, архивирование проекта, смена кодовой базы и появление преемника могут полностью изменить риски внедрения. Для production-системы важны не только возможности движка, но и устойчивость экосистемы, качество документации, наличие поддержки, предсказуемость релизов и понятная модель лицензирования.
В этом смысле статья полезна ещё и как напоминание: технологический выбор — это не выбор языка запросов или красивой диаграммы архитектуры, а выбор долгосрочной операционной ответственности. Графовые базы данных стали заметно взрослее, но зрелость технологии не отменяет необходимости зрелого подхода к её применению.