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. Как выбрать графовую СУБД: методика, а не чек-лист
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.
Источник: https://dstglobal.ru/club/1270-rukovodstvo-po-grafovym-bazam-dannyh.html