Neo4j gráf adatbázis alkalmazása hálózati adatok elemzésére

Application of Neo4j graph database for network data analysis

Authors

  • FERENCZ Katalin
  • RIGÓ Ernő
  • DOMOKOS József
  • MOLNÁR László

Keywords:

network data analysis, graph database, Neo4j, anomaly detection, clustering, /, hálózati adatelemzés, gráf adatbázisok, Neo4j, anomália detektálás, klaszterezés

Abstract

The analysis of network data has become essential with the rise of digitalization and the Internet of Things (IoT). Traditional relational databases face limitations in handling the complexity of modern networks due to their rigid tabular structures and computational constraints. In contrast, graph databases provide a more adaptable approach by representing data relationships through nodes and edges. This article explores how the Neo4j graph database improves data analysis in complex network environments, particularly within IoT systems. By enabling faster anomaly detection, pattern recognition, and the development of predictive models, Neo4j enhances decision-making and forecasting processes. The article highlights the benefits of graph databases, including their ability to execute fast, flexible queries and efficiently manage intricate relationships. Real-world applications of Neo4j are presented, showcasing its effectiveness in deriving insights from network data using various algorithms.

Kivonat

A hálózati adatok elemzése a digitalizáció és az Internet of Things (IoT) térnyerésével elengedhetetlenné vált. A hagyományos relációs adatbázisok korlátokba ütköznek a modern hálózatok komplexitásának kezelésében merev táblázatos szerkezetük és számítási korlátjaik miatt. Ezzel szemben a gráf-adatbázisok rugalmasabb megközelítést kínálnak az adatok közötti kapcsolatok csomópontok és élek általi modellezésével. Ez a cikk bemutatja, hogyan javítja a Neo4j gráf-adatbázis a hálózatokban végzett adatelemzést, különösen az IoT rendszerekben. A gyorsabb anomáliaérzékelés, a mintafelismerés és a fejlett prediktív modellek fejlesztése révén a Neo4j hozzájárul a döntéshozatali és előrejelzési folyamatok javításához. A cikk kiemeli a gráf-adatbázisok előnyeit, beleértve a gyors és rugalmas lekérdezések végrehajtását, valamint a bonyolult kapcsolatok hatékony kezelését. Valós példákon keresztül mutatja be a Neo4j alkalmazását, különböző algoritmusok segítségével tárva fel a hálózati adatok feldolgozási lehetőságeit.

References

Perspective Data Analysis Using Neo4j. In 2020 6th Information Technology International Seminar (ITIS) (pp. 286-290). IEEE.

Almabdy, S., 2018, April. Comparative analysis of relational and graph databases for social networks. In 2018 1st International Conference on Computer Applications & Information Security (ICCAIS) (pp. 1-4). IEEE.

Chang, V., Songala, Y.K., Xu, Q.A. and Liu, B.S.C., 2022, April. Scientific Data Analysis using Neo4j. In FEMIB (pp. 75-84).

Fernandes, D. and Bernardino, J., 2018. Graph Databases Comparison: AllegroGraph, ArangoDB, InfiniteGraph, Neo4J, and OrientDB. Data, 10, p.0006910203730380.

Guia, J., Soares, V.G. and Bernardino, J., 2017, April. Graph Databases: Neo4j Analysis. In ICEIS (1) (pp. 351-356).

Lal, M., 2015. Neo4j graph data modeling. Packt Publishing Ltd.

López, F.M.S. and De La Cruz, E.G.S., 2015. Literature review about Neo4j graph database as a feasible alternative for replacing RDBMS. Industrial Data, 18(2), pp.135-139.

M. Héder et al., “The Past, Present and Future of the ELKH Cloud,” InfTars, vol. 22, no. 2, p. 128, Aug. 2022, doi: 10.22503/inftars.XXII.2022.2.8.

Macak, M., Stovcik, M. and Buhnova, B., 2020, May. The Suitability of Graph Databases for Big Data Analysis: A Benchmark. In IoTBDS (pp. 213-220).

Neo4j honlap: https://neo4j.com/

Needham, M. and Hodler, A.E., 2019. Graph algorithms: practical examples in Apache Spark and Neo4j. O'Reilly Media.

NVD honlap: https://nvd.nist.gov/

Downloads

Published

2024-10-10