Daily Study
更新: 12/20/2025 字数: 0 字 时长: 0 分钟
Daily Plan
#todo
- [ ]
图谱实际落地
图数据库选型：
Neo4j
- 定位：行业标准，生态最成熟的原生图数据库。
- 适用场景：POC 阶段或中小规模图谱。它的查询语言 Cypher 非常直观，适合快速验证复杂的溯源路径（如多跳查询）。
- 局限：社区版在处理亿级节点时性能瓶颈较为明显，分布式集群能力在商业版中才提供。
NebulaGraph
- 定位：高性能分布式图数据库，在腾讯内部广泛使用（腾讯是其主要贡献者和用户之一）。
- 适用场景：生产环境的海量数据。它在存储计算分离架构上做了深度优化，非常适合处理网络安全中海量的日志节点和边。
- 查询语言：nGQL（类 SQL 风格，对开发人员友好）。
HugeGraph
百度开源，支持大规模图数据存储，也是国内常用的选择之一
RAG 向量数据库选型
Milvus
- 定位：云原生向量数据库，性能强悍，支持百亿级向量。
- 适用场景：独立的、大规模的知识库存储。如果你的威胁情报库达到千万级，Milvus 是首选。它提供 Go 和 Python SDK。
ElasticSearch
- 定位：搜索引擎，但近年增加了 kNN 向量搜索功能。
- 适用场景：安全运营场景的首选。因为企业的安全日志本身就存储在 ES 中。使用 ES 做向量存储可以避免引入新的运维组件，实现“倒排索引（关键词）+ 向量索引（语义）”的混合检索（Hybrid Search）
架构集成方案
在实际实现图谱 + RAG时，通常不只使用一种数据库，而是组合使用。以下是一个典型的企业级架构：
存储层：
- NebulaGraph：存储结构化拓扑（如：IP_A --属于--> 子网_B，攻击者_X --使用--> 工具_Y）。
- Milvus/ES：存储非结构化文本的向量（如：威胁报告的文本片段、历史告警的处置记录）。
逻辑层：使用 Python (LangGraph) 调用 LLM 进行推理。
检索策略：
- 先通过 Milvus 找到语义相似的历史案例。
- 再通过 NebulaGraph 查询当前实体的两跳（2-hop）邻居，获取上下文关联。
将相似案例 + 图谱上下文拼接成 Prompt，喂给 LLM 生成最终研判。