图数据库

• 原生图存储模型的特点
• 多层映射（图→关系表→内存图）的代价
• 两者性能差异的根源

原生图存储（如 Neo4j、NebulaGraph、JanusGraph）在图结构上直接存储节点与边，用指针/邻接结构把边与两端节点物理相邻存放，遍历时通过指针跳转实现"索引邻居"（index-free adjacency），多跳遍历无需全局索引查找，遍历性能与图大小无关、只与遍历子图相关，因此深度遍历与多跳查询很高。多层映射通常是先把图建模为关系表（节点表+边表），再用 JOIN 或加载到内存图（如内存图计算框架）执行遍历，其代价是每跳遍历都要通过索引/JOIN 重建邻接关系，涉及多次索引查找与行的物化，遍历深度越大开销越大，且内存图还需要加载与序列化开销。性能差异的根源是"邻接关系是否物理化存储"：原生图把邻接关系固化在存储中，遍历零成本获取邻居；映射式每次遍历都要重新计算邻接关系，导致遍历成本随深度线性叠加。

核心概念是 index-free adjacency（索引无关邻接访问）。回答应强调原生图把"邻居关系"作为物理存储的一部分，遍历是内存指针跳转，而映射式依赖 JOIN/索引重建邻接，遍历成本随深度放大。同时说明内存图适合批量算法（如全图 PageRank）但一次性加载有成本，体现对两种路径适用场景的理解。

• 三种语言的语法特点
• 三种语言的表达力差异
• GQL 标准化的意义

Cypher 是 Neo4j 的声明式图查询语言，以 ASCII 艺术式模式匹配（(a)-[:REL]->(b)）表达图模式，语法直观、面向路径遍历，支持 MATCH、WHERE、RETURN、可变长度路径（可变长度关系）等，表达力强且易于理解。nGQL 是 NebulaGraph 的查询语言，语法类似 SQL（GO、FETCH、MATCH 等），支持分布式图上的点边查询、路径与管道式数据流，同时提供 SQL 风格与图遍历风格两套语法。GQL 是 ISO/IEC 39075 国际标准图查询语言，以属性图为基础，统一了模式匹配、路径查询与图遍历的表达，目标是消除各厂商方言差异，提供跨平台的标准图查询能力。三者表达力都覆盖图模式匹配与路径查询，差异在于语法风格（Cypher 直观、nGQL 兼具 SQL 与遍历、GQL 标准化）与生态绑定（Cypher 绑定 Neo4j、nGQL 绑定 NebulaGraph、GQL 是开放标准）。

回答应抓住"语法风格 + 标准化程度"两个维度。Cypher 与 nGQL 是厂商生态语言，GQL 是国际标准，三者都支持模式匹配，但表达风格与可移植性不同。GQL 的提出意味着图查询语言开始标准化，回答可提及 GQL 与 SQL/PGQ 的关系，体现对标准演进的了解。

• 批量导入的常见方式
• Neo4j import 的机制
• Nebula 批量写入的机制

图数据库批量导入通常分为两类：一是离线批量导入工具，用于一次性灌入海量数据；二是在线批量写入 API，用于持续写入。Neo4j 的 neo4j-admin import 是离线工具，直接从 CSV 文件构建图（节点文件与关系文件），跳过正常事务与索引构建，利用预排序与批量构建，可快速导入大规模数据，适合初始化。Neo4j 在线写入常用 Cypher 的 UNWIND 批量参数化插入或 apoc.load.csv，配合显式事务分批提交。NebulaGraph 的批量写入通过 INSERT 语句配合 batch 参数与多线程客户端，把数据写入分布式存储，利用批量提交与压缩降低网络与写入开销，并支持从 CSV 导入；其写入路径按点/边分区分布到各存储节点，批量写入可减少 RPC 次数。批量导入的性能关键在：预排序、关闭事务日志、分批提交、避免逐条插入、利用并行与批量网络交互。

回答应区分"离线初始化导入"与"在线持续写入"两类场景，并说明各自工具与优化手段。核心是批量、预排序、分批提交以降低开销，避免逐条事务的多次随机写。体现对图数据库写入性能优化手法的理解。

• 图投影的概念与作用
• 图投影与 Cypher 查询的区别
• 图算法在内存投影图上执行的原因

图投影（graph projection）是 GDS（Graph Data Science）库把图数据加载到内存中的专门表示，形成紧凑的、面向算法执行的图结构（如 CSR 邻接表），它与 Cypher 查询的区别在于：Cypher 是声明式查询，返回匹配模式的子图结果，适合交互式路径查询；图投影是显式构建一个独立的内存图副本，供图算法（PageRank、Louvain、社区检测、最短路径等）整体迭代执行。图算法必须在内存投影图上执行的原因是：这类算法需要反复遍历整张图、多次迭代收敛（如 PageRank 迭代多轮、Louvain 需多次模块度优化），若每次迭代都回到存储层用 Cypher 取数，会因大量网络与磁盘 IO 而无法接受；内存投影图把邻接关系紧凑驻留内存，配合列式/CSR 结构与并行计算，使算法在每个迭代都能快速访问邻居，实现高性能的整体计算。投影还支持子图投影（只投影部分节点/边）与属性投影，便于在特定子图上运行算法。

核心是"查询 vs 算法计算"两种工作负载的差异。查询是"找出匹配子图"，算法是"对整图或子图反复迭代计算"。回答应说明投影是算法的数据准备，把图固定为内存中的紧凑结构，避免算法迭代中的存储往返。体现"声明式查询 vs 分析式算法"的区分。

• 遍历起点的选择策略
• 标签与属性索引的作用
• 多跳遍历与 JOIN 的对应

Cypher 查询优化器通过两个步骤选择遍历起点：一是基于谓词与标签，选择能用节点标签或属性索引（如 WHERE n.name = 'x' 命中属性索引）收敛候选集的模式作为起点，起点应是最具选择性（能最小化候选集）的节点；二是对起点做代价估算，比较不同起点与扩展顺序的代价，选择代价最小的执行计划。多跳遍历的执行计划与关系库的 JOIN 计划有明确对应：图遍历中的一跳（(a)-[:R]->(b)）等价于关系库中节点表与边表的 JOIN，多跳遍历等价于多次 JOIN 的链式连接；遍历的扩展顺序等价于 JOIN 的连接顺序，图优化器选择起点与扩展顺序，正如关系优化器选择 JOIN 顺序与连接方式。差异在于图遍历用邻接指针免索引访问邻居，而关系 JOIN 需索引或哈希连接重建关联，因此图遍历在深路径上更高效，结构上等价于"关系表的多表 JOIN"。

回答应建立"图遍历 = 关系链式 JOIN"的等价模型，并说明优化器选起点实质是"选选择性最高的表作为驱动表"。核心是理解图优化器与关系优化器在"选择驱动表/连接顺序"上的同构，同时指出图存储的邻接访问优势。

• 各遍历算法的实现原理
• BFS/DFS/最短路径/PageRank 的差异
• 大图上的工程优化

BFS（广度优先）用队列逐层扩展，适合求最短路径与连通分量；DFS（深度优先）用栈/递归深入，适合拓扑排序与路径枚举；最短路径算法（如 Dijkstra、A*、BFS）用优先队列按距离扩展，Dijkstra 用于正权图，A* 用启发式剪枝加速；PageRank 是迭代式影响力算法，通过多次迭代按出边传播权重直到收敛。大图上的工程优化包括：剪枝（A* 启发式、双向 BFS、限制搜索深度、按扇出裁剪）、并行（按节点/边分片并行遍历、多线程扩展邻居、GPU 加速）、索引（用邻接索引与属性索引快速定位起点、用标签/属性过滤缩小候选集）、以及内存技术（CSR 紧凑邻接、位图标记访问集、避免重复访问）。这些优化共同降低大图遍历的时间与内存开销。

回答应区分两类算法：确定性遍历（BFS/DFS/最短路径）与迭代分析（PageRank），并说明各自原理。工程优化重点是剪枝减少搜索空间、并行提升吞吐、索引加速定位与内存结构紧凑化。体现对"算法 + 工程"双层面的理解。

• CSR/CSC 的结构
• 邻接链表的结构
• 两者在缓存与内存上的差异

CSR（Compressed Sparse Row）/CSC（Compressed Sparse Column）是紧凑的稀疏图表示：用两个数组分别存储"每行起始偏移"与"非零邻居的列号/目标节点"，把所有邻居连续、有序地存放在一个数组中，没有指针开销。邻接链表（adjacency list）为每个节点维护一个链表，每个邻居用指针连接。差异关键在于内存与缓存：CSR/CSC 的节点与邻居是连续密集数组，访问某节点的邻居是连续内存访问，缓存命中率高、内存占用低（无指针、无碎片），非常适合内存图算法与并行遍历；邻接链表为每个邻居分配独立节点、用指针连接，邻居在内存中分散，遍历时指针跳转导致缓存命中率低、内存占用高（指针开销+碎片），且无法利用向量化。因此在大图遍历中，CSR/CSC 在缓存局部性与内存效率上显著优于邻接链表。

核心是"紧凑连续数组 vs 分散指针链表"的缓存与内存差异。回答应说明 CSR/CSC 的连续存储带来高缓存命中与低内存占用，邻接链表因指针分散导致缓存不佳。体现对"数据布局决定遍历性能"的理解，这也是内存图引擎普遍采用 CSR 的原因。

• Supernode 问题的成因
• 索引、剪枝、采样缓解手段
• 各手段的适用场景

Supernode 是被极多边连接的高扇出节点（如社交网络中的意见领袖、名人），遍历到它时，其邻居数量巨大，导致遍历分支因子爆炸、搜索空间急剧膨胀，影响性能。缓解手段：一是索引，对节点的边按属性/时间/类型建立二级索引，遍历时按条件过滤只访问满足条件的邻居子集，缩小搜索范围；二是剪枝，限制搜索深度、设置遍历的扇出上限与路径条件，或使用启发式（如 A*、双向搜索）减少无效扩展；三是采样，对高扇出节点的邻居做随机或代表性采样，用近似结果替代精确遍历，常用于统计分析（如抽样邻居估计影响力）。实际中常组合使用：索引精确过滤、剪枝控制规模、采样近似求解，三者按需求在精确性与性能间取舍。

核心是"高扇出导致分支爆炸"。回答应说明三类手段分别从"缩小每步候选集（索引）""控制扩展规模（剪枝）""近似替代精确（采样）"入手，并指出它们是精确与性能的权衡。体现对图遍历中偏斜热点问题的处理能力。

• BFS/DFS 在遍历查询中的使用
• fan-out（扇出）与深度限制的意义
• 遍历查询的优化

图数据库的遍历查询（如可变长度路径、多跳模式）通常基于 BFS 或 DFS 执行：BFS 逐层扩展，适合求最短路径与按层传播；DFS 深入探索，适合路径枚举与条件查找。fan-out（扇出）指某节点可扩展的邻居数量，深度限制指遍历最多延伸的跳数。在遍历查询中设置深度限制（如 *1..3）可防止无限深度的路径爆炸，而 fan-out 超限（如邻居数量超过阈值）预示遍历爆炸，需通过剪枝、过滤或限制路径条件控制。实际执行中，优化器会按 BFS 扩展、控制深度、用索引过滤邻居、对高扇出节点限流，以在保证结果的同时控制搜索规模。

回答应说明 BFS/DFS 的适用场景与深度限制、fan-out 的作用。核心是"遍历规模控制"：深度限制防止深度爆炸，fan-out 控制反映分支宽度，二者共同抑制遍历爆炸。体现对图遍历查询执行控制的理解。

• 三种语言的范式差异
• 表达力差异
• 适用场景

Cypher 是声明式、基于模式匹配的图查询语言，用 ASCII 模式表达路径，强调"描述想要的结果"（如 MATCH (a)-[:KNOWS]->(b)），检索与模式匹配表达力强、直观易读。Gremlin 是图遍历（graph traversal）语言，采用过程式/函数式风格的遍历步骤链（如 g.V().hasLabel('person').out('KNOWS')），强调"描述如何遍历"，可细粒度控制遍历步骤，表达力强但代码更长、学习曲线陡。GQL 是 ISO/IEC 39075 标准语言，以属性图为基础，综合模式匹配与路径遍历，目标是标准化图查询。三者表达力差异的本质：Cypher 声明式强调"结果"，Gremlin 过程式强调"遍历过程"，GQL 标准化强调"跨平台统一"。声明式语言更简洁、适合复杂模式匹配；过程式语言更灵活、可精确控制遍历与性能；GQL 侧重标准统一。

核心是"声明式 vs 过程式 vs 标准"的范式差异。回答应说明 Cypher 的直观模式匹配、Gremlin 的细粒度遍历控制与 GQL 的标准化目标，并指出表达力与可读性、可控性的权衡。体现对图查询语言三种范式的理解。

• Neo4j 单机 ACID 事务
• Nebula 分布式事务
• 单机与分布式事务的权衡

Neo4j 是单机架构的数据库，提供完整的 ACID 事务：单个写操作或多个写操作在事务中原子提交，配合 WAL 与锁保证原子性、一致性、隔离性与持久性，事务模型与关系型数据库相近，适合需要强一致性的 OLTP 图应用。NebulaGraph 是分布式架构，数据按分片（partition）分布到多个存储节点，事务需要跨节点协调，采用分布式事务（两阶段提交或基于 Raft 的多副本一致性）保证跨分片操作的原子性。其权衡是：分布式事务提供水平扩展与高可用，但跨节点事务的协调开销（网络通信、锁、协调）带来更高的延迟与复杂性；单机事务延迟低、实现简单，但受单机容量与扩展性限制。选型上，关键业务强一致单机 Neo4j 适合，超大规模与高可用分布式选 Nebula 等。

核心是"单机集中式事务 vs 分布式跨节点事务"的权衡。回答应说明 Neo4j 的完整 ACID 与低延迟、Nebula 的分布式一致性与扩展性，以及分布式事务的协调成本。体现对图数据库在"一致性、扩展性、延迟"间取舍的理解。

• 属性图模型
• RDF/SPARQL 模型
• 建模差异与选型依据

属性图（Property Graph）以节点、边和属性为基本元素，节点与边可带任意属性与标签，建模直观、灵活，适合应用系统与业务图（如社交、风控、推荐），查询语言为 Cypher/nGQL。RDF（Resource Description Framework）以三元组（主语-谓语-宾语）表示知识，是面向语义网与知识表示的标准，强调全局标识符（URI）与语义推理，查询语言为 SPARQL，数据可跨域互操作与本体推理。建模差异：属性图以"实体+关系+属性"为重心，RDF 以"三元组+本体+推理"为重心；属性图侧重图遍历与关联分析，RDF 侧重语义互操作与推理。选型依据：面向业务应用的关系查询与遍历选属性图（Cypher/nGQL），面向语义网、知识图谱与本体系推理选 RDF/SPARQL，需要跨机构数据共享与标准语义时优先 RDF。

核心是"业务图 vs 语义网"两种建模范式。回答应说明属性图的直观灵活与 RDF 的标准语义与本体重心，并给出按应用目标（业务遍历 vs 语义推理）的选型依据。体现对两种图数据模型定位差异的理解。

• 各类索引的作用
• 索引在查询中的加速点
• 索引选择对遍历起点的影响

图数据库的索引体系包括：标签索引（label index）加速按标签定位节点集合，如查找所有 Person 节点；属性索引（property index）加速按属性值过滤与定位起点，如 WHERE n.name = 'x'，是遍历起点选择的关键；全文索引（full-text index）加速对文本属性的关键词检索，如按名称模糊搜索；空间索引（spatial index）加速按地理位置查询，如查找附近节点。索引选择直接影响遍历起点：优化器倾向选择使用标签+属性索引、能最小化候选集（选择性最高）的节点作为遍历起点，从而减少后续扩展的搜索空间。合理的索引策略（为常用过滤属性建索引、标签与属性组合）能显著降低遍历起点成本与整体查询延迟。

核心是"索引加速定位起点与过滤"。回答应逐类说明索引加速的操作，并强调索引的选择性决定遍历起点——起点应是候选集最小、由索引精确定位的节点。体现对"索引 → 起点选择 → 遍历规模"链条的理解。

• 各场景的图需求
• 图数据库的应用边界
• 选型考量

社交网络依赖图数据库做多跳关系查询、好友推荐、社区发现与影响力分析，图遍历表达"朋友的朋友"等关系；知识图谱用图数据库存储实体与关系，支持实体消歧、语义查询与推理，适合 RDF 或属性图；欺诈检测用图数据库发现账户之间的关联环、可疑资金路径与异常子图，通过多跳遍历与图算法识别欺诈模式；推荐系统用图做基于关系的推荐（如"购买过该商品的人还买了"）与图算法（如 PageRank 做权威推荐）。工程边界：图数据库擅长关系密集型、多跳遍历的分析，但单图大数据量、复杂事务或需要强关系型 SQL 能力的场景，需结合关系库与图计算引擎；图数据库常与关系库、搜索、消息队列等混用，形成组合架构。选型考量：场景是关系查询/遍历为主可选图数据库，数据量巨大且需分布式扩展选分布式图库（Nebula/JanusGraph），需要标准语义推理选 RDF/知识图谱，需海量磁盘扫描与 OLAP 分析则配合图计算引擎。

回答应说明各场景的"图需求"（多跳、社区、路径、推荐）与图数据库的适用边界（关系密集型遍历），并指出图库常与关系库、图计算引擎组合使用。体现对"场景驱动选型 + 组合架构"的理解。

• 图与关系库的混合使用模式
• SQL/PGQ 的概念
• ISO 39075 标准化进展

图数据库与关系库的混合使用常见于：关系库存储事务与事实数据，图库承载关系分析与遍历，二者通过数据同步或联邦查询协同；或把图数据建模为关系表（节点表+边表）用递归 CTE 实现有限的多跳查询。图查询嵌入 SQL 的标准化是 SQL/PGQ（SQL Property Graph Queries），它是 SQL 标准（ISO/IEC 9075-16）的一部分，与 GQL（ISO/IEC 39075）共同构成图的国际标准，允许在标准 SQL 中嵌入图模式匹配（MATCH 在 SQL 中）与路径查询，使关系库能直接表达图查询。进展：SQL/PGQ 已进入 ISO 标准制定，主流数据库（如 Oracle、PostgreSQL）开始实验支持图模式匹配，目标是把图查询能力引入 SQL 生态，使关系库与图库查询统一。其意义是降低图查询门槛，让已有 SQL 生态直接受益于图遍历能力。

核心是"SQL 与图查询融合"的标准化方向。回答应说明混合使用模式（关系存事实、图做分析、递归 CTE 辅助），并介绍 SQL/PGQ 与 ISO 39075 的进展，体现"图查询标准化进入 SQL 生态"的趋势理解。

• GQL 与 SQL/PGQ 的路径模式查询
• 与 Cypher/nGQL 的表达力差异
• 标准化带来的统一性

GQL（ISO/IEC 39075）与 SQL/PGQ 共同构成图查询的国际标准，其中路径模式查询（path pattern query）是核心能力：用 MATCH 表达路径模式、支持可变长度路径、路径变量与路径属性，可对路径做过滤与聚合。与 Cypher/nGQL 相比，GQL/SQL/PGQ 的表达力在"对齐"既有图查询能力的基础上，明确了路径模式、路径变量与图模式的标准语义，统一了各厂商方言（Cypher、nGQL、Gremlin）中不一致的细节，如可变长度路径的语法、路径去重与投影语义。差异在于：Cypher/nGQL 是厂商生态语言，语法与语义绑定具体实现，表达力强但存在方言差异；GQL/SQL/PGQ 是标准，目标是跨数据库可移植、与 SQL 融合，路径模式表达趋于统一规范，降低迁移与学习成本。练习强调二者在路径模式与可移植性上的差异，而非简单功能多寡。

核心是"标准化 vs 厂商方言"。回答应说明 ISO 39075 的路径模式查询统一了可变长度路径等语义，与 Cypher/nGQL 的区别在于跨库可移植性与 SQL 融合，而非功能数量。体现对图查询标准演进的理解。

• 图算法与图查询的定位
• 图嵌入的概念
• 两者在推荐/风控中的互补关系

图查询（如 Cypher 遍历）用于按需回答结构化问题（如某个用户的二度好友、两点间路径），是确定性、可解释的查询；图算法（如 PageRank、社区检测）用于整体分析（如影响力排序、社区划分）；图嵌入（Graph Embedding，如 Node2Vec、GraphSAGE）把节点、边映射为低维向量，用于机器学习模型（如推荐、风控中的相似度计算与分类）。在推荐/风控中，三者是互补而非替代：图查询提供事实与可解释的关联证据（如风控中解释"该账户为何可疑"），图算法提供全局结构洞察（如社区、影响力），图嵌入把图结构转化为特征供 ML 模型打分。三者常结合使用：图嵌入产出特征 → 图算法/查询提供证据与验证 → ML 模型决策。替代关系只有在特定场景下成立（如纯向量检索替代多跳查询），但整体上互补性主导。

核心是"查询、算法、嵌入三者的分工互补"。回答应说明图查询用于可解释的事实检索、图算法用于结构分析、图嵌入用于特征化，强调在推荐/风控中组合使用、互为补充。体现对"图分析能力栈"整体架构的理解。

• 递归 CTE 的实现机制
• 两者多跳查询的性能差异
• 性能差异的根源

关系库的递归 CTE（RECURSIVE CTE）用递归查询表达多跳遍历，每跳通过 SQL 递归合并结果集，本质是"逐跳滚动查询"，通过 JOIN 重建邻接关系，每跳都会产生新的结果集并扫描/过滤，深路径时递归次数增多、中间结果集膨胀，性能随跳数增长明显下降。图数据库用邻接指针（index-free adjacency）直接访问邻居，多跳遍历是内存指针跳转，每跳成本低、与图大小无关。性能对比：浅跳（1-2 跳）时两者差异不大，递归 CTE 可用；深跳（3 跳以上）与高扇出时，图数据库优势显著，因为避免了递归 CTE 的重复 JOIN、中间结果集膨胀与索引扫描。此外，递归 CTE 在关系库上通常无法利用图遍历的剪枝与邻接访问优化，且表达式复杂、可读性差。因此，多跳密集型查询（如社交/风控）应优先图数据库，偶发浅跳可用递归 CTE。

核心是"逐跳 JOIN 重建邻接 vs 指针直连邻居"。回答应说明递归 CTE 的"滚动 JOIN + 结果集膨胀"机制与图遍历的"邻接指针跳转"机制，指出深跳与高扇出时图库优势显著。体现代价随跳数增长的两条不同曲线。

• 图数据库扩展性的挑战
• Nebula 分布式架构
• JanusGraph 分布式架构

图数据库的扩展性挑战在于图的随机访问特性：多跳遍历会跨节点访问邻居，若图分布到多个节点，遍历可能产生大量跨节点通信，导致分布式图遍历性能下降。分布式图通过分片（partition）把图水平分布到多节点：NebulaGraph 把图按点/边的分区散列分布到多个存储节点，配合 Raft 多副本保证一致性与高可用，查询时由查询引擎路由到相关分区，支持存储与计算水平扩展；JanusGraph 把图存储在大规模存储后端（如 Cassandra、HBase、Bigtable），利用底层存储的分布式特性实现图数据的水平扩展，用索引后端（如 Elasticsearch）加速查找，属"存储层分布式"架构。两者的共性：图数据分片存储、支持多节点扩展、关注跨分区遍历的通信优化。扩展性的权衡是：横向扩展带来容量与吞吐提升，但跨分区遍历的通信开销与一致性问题增加，需结合图分片策略（如按关联簇分片）缓解。

核心是"分片存储 + 跨分区遍历的权衡"。回答应说明分布式图的分片机制（Nebula 自建分布式、JanusGraph 依赖存储后端），以及扩展带来的通信开销与一致性挑战。体现对"分布式图扩展的收益与代价"的理解。

• LDBC SNB 基准的构成
• 基准衡量指标
• 对比实验设计要点

LDBC SNB（Social Network Benchmark）是图数据库行业标准基准，以模拟社交网络为数据模型（人员、帖子、好友关系等），提供可扩展的数据生成器（不同规模因子）与三类查询负载：交互式查询（短事务型、多跳遍历）、商务智能查询（复杂聚合分析）、算法查询（图算法如 PageRank、社区检测），用以衡量图数据库的吞吐、延迟、扩展性与存储成本。与关系库递归 CTE 的对比实验设计要点：一是数据规模与分布一致，用相同规模因子生成相同图数据，保证基数可比；二是查询负载一致，把同一批多跳查询分别用图数据库与递归 CTE 实现，语义等价；三是控制变量，同一硬件、同一数据、同批次请求，分别测吞吐（QPS）与延迟（P50/P95/P99）；四是考察跳数与扇出变化，分别测试 1-2 跳浅路径与 3+ 跳深路径、高扇出节点，对比两者性能差异的拐点；五是记录资源占用（内存、CPU）并在多种规模下测扩展性，避免单一场景以偏概全。

核心是"基准的负载构成 + 公平可比的实验设计"。回答应说明 LDBC SNB 的三类负载与衡量指标，并强调对比实验要保证数据、查询、硬件一致，并覆盖跳数与扇出的变化，才能得出公平结论。体现对基准方法论与实验科学的理解。