KAIST：“开发图-关系型数据库系统，实现更优AI服务”

韩国国内开发出了下一代图谱—关系型数据库（DB）系统。预计该系统一旦在产业现场实际应用，人工智能（AI）将能够超越简单检索，实现对复杂连接关系的实时推理，从而有望提供比以往更为先进的AI服务。

韩国科学技术院（KAIST）表示，计算机系 Kim Minsu 教授研究团队将“关系型DB”和“图谱DB”完全整合，开发出了能够更高效执行图谱—关系型查询的数据库系统“Chimera（奇美拉）”，并于8日对外公布。

与传统关系型DB不同，图谱DB采用用顶点（节点）和边（连线）来表示数据的结构，在分析、推理人物、事件、地点、时间等复杂交织的信息方面具有优势。凭借这一特性，图谱DB近来在AI智能体、社交网络服务（SNS）、金融、电子商务等领域的应用正在快速扩散。

尤其是随着对关系型DB与图谱DB之间复合查询处理的需求不断增加，将图谱查询功能扩展到关系型查询语言SQL中的新标准语言“SQL/PGQ”的应用需求也与日俱增。

SQL/PGQ是一种在既有数据库语言SQL基础上增加图谱搜索功能的新标准语言。它被设计为能够一次性查询（检索）表格（表）形式的数据以及人物、事件、地点等连接关系信息，利用该语言，可以将“这个人的朋友的朋友在哪家公司工作”这类复杂关系，比以往更加简便地检索出来。

但迄今为止，相关实现方式一直存在局限，要么是勉强通过连接运算来“模拟”图谱搜索，要么依赖于在内存中预先构建图谱视图（view）后再进行处理。

例如，前一种方式在搜索深度加深时性能会急剧下降；后一种方式则在数据规模增大时会因内存不足而无法执行。此外，原始数据的变更无法即时反映到视图中，导致数据时效性下降，还必须将关系型结果与图谱结果另行合并，带来额外低效。

与此不同，Chimera通过对数据库的存储层和查询处理层进行全新设计，从根本上解决了上述既有问题。

在新的设计中，研究团队首先引入了同时运行图谱专用存储和关系型数据存储的“双重存储结构”。

在此基础上，应用了可同时处理图谱搜索与关系型运算的“搜索—连接算子”，使复杂运算能够在单一体系中高效执行。通过这一方式，Chimera完成了从数据存储到查询处理的全流程一体化，成为全球首个“图谱—关系型DB系统”。

研究结果显示，在国际性能标准基准测试“LDBC Social Network Benchmark（SNB）”中，Chimera的性能比现有系统快4倍至280倍。更重要的是，即使图谱数据规模极为庞大，也未出现因内存不足导致的查询失败；并且由于不使用视图，在数据时效性方面也未发现延迟问题。

Kim 教授表示：“随着数据之间的连接关系日益复杂，涵盖图谱和关系型DB的整合技术变得愈发不可或缺。Chimera能够从根本上解决这一问题，今后在AI智能体、金融、电子商务等多种产业领域的应用前景十分广阔。”

此次研究中，计算机系博士课程生 Lee Geonho 作为第一作者，Graphy株式会社工程师 Park Jungho 作为第二作者参与，Kim 教授担任通讯作者。研究成果已于本月1日在数据库领域国际学术会议VLDB上发表。

Chimera技术将应用于Graphy即将推出的向量—图谱—关系型DB系统“AkasicDB”，作为实现“基于RAG的高性能AI智能体”的核心技术加以利用。