检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
带一般过滤条件环路检测（filtered circle detection） 概述 带一般过滤条件环路检测（filtered circle detection）目的是寻找图中所有满足过滤条件的环路。 适用场景 带一般过滤条件的环路检测(filtered circle detect
单点环路检测（single_vertex_circles_detection） 功能介绍 根据输入参数，执行单点环路检测算法。 单点环路检测（single_vertex_circles_detection）意在寻找图中的环路，环路上的点较好地体现了该点的重要性。 URI POST
单点环路检测（Single Vertex Circles Detection） 概述 单点环路检测（Single-Vertex-Circles-Detection）是一个经典的图问题，意在寻找图中的环路。环路上的点较好地体现了该点的重要性。 适用场景 单点环路检测适用于交通运输、金融风控等场景。
单点环路检测（single_vertex_circles_detection）（2.2.4） 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 source 是 被包含节点ID。 String - min_circle_length 否 最小圈长 Integer
带一般过滤条件环路检测（filtered_circle_detection）(2.2.15) 请求样例 Post http://{}/ges/v1.0/1/graphs/movie/action?action_id=execute-algorithm { "algorithmName":
基本的图查询操作，意在发掘图重要的子结构。 适用场景 子图匹配（subgraph matching）算法适用于社交网络分析、生物信息学、交通运输、群体发现、异常检测等领域。 参数说明 表1 subgraph matching参数说明 参数 是否必选 说明 类型 取值范围 edges
企业IT应用 网络&IT基础设备规模庞大、结构复杂，帮助客户深入了解设备状态、设备之间的关系，实现全网络设备智能监控与管理。 该场景能帮助您实现以下功能。 合理规划网络 快速确定故障节点对网络的影响，并在最依赖的节点周围推荐备用路由，在新节点的规划时，精准规划网络位置。 分析故障根因
基本概念 点 图数据模型中的点代表实体。如交通网络中的车辆、通信网络中的站点、电商交易网络中的用户和商品、互联网中的网页等。 边 图数据模型中的边代表关系。如社交网络中的好友关系、电商交易网络中用户评分和购买行为、论文中作者之间的合作关系、文章之间的索引关系等。 Gremlin Gremlin是Apache
hip），点和关系是最重要的实体。 图数据模型中的点代表实体，如交通网络中的车辆、通信网络中的站点、电商交易网络中的用户和商品、互联网中的网页等。 图数据模型中的边代表关系，如社交网络中的好友关系、电商交易网络中用户评分和购买行为、论文中作者之间的合作关系、文章之间的索引关系等。
on：表示文件系统的挂载点。 网络 在网络页面，您可以根据节点和网卡名称浏览指定节点的网络资源实时消耗情况。其中包括：节点名称、网卡名称、网卡状态、接收丢包数、接收速率（KB/s）、发送速率（KB/s）和网络监控情况等。 图5 网络页 用户可单击指定节点名称所在行最右侧的“监控”按钮，进入网络监控概览
、物流配送等场景下的区块之间关系的分析。 带一般过滤条件环路检测（Filtered Circle Detection） 目的是寻找图中所有满足过滤条件的环路。适用于金融风控中循环转账检测、反洗钱，网络路由中异常链接检测，企业担保圈贷款风险识别等场景。 子图匹配（Subgraph Matching）
一般情况下，建议就近选择靠近您或者您的目标用户的区域，这样可以减少网络时延，提高访问速度。不过，在基础设施、BGP网络品质、资源的操作与配置等方面，中国大陆各个区域间区别不大，如果您或者您的目标用户在中国大陆，可以不用考虑不同区域造成的网络时延问题。 在除中国大陆以外的亚太地区有业务的用户，可
中介中心度算法（Betweenness Centrality）以经过某个节点的最短路径数目来刻画节点重要性的指标。 适用场景 可用作社交、风控等网络中“中间人”发掘，交通、传输等网络中关键节点识别；适用于社交、金融风控、交通路网、城市规划等领域 参数说明 表1 Betweenness Centrality算法参数说明
Centrality）在已知一系列OD出行计划前提下，以经过某个点/某条边的最短路径数目来刻画边重要性的指标。 适用场景 可用作社交、风控等网络中“中间人”发掘，交通、传输等网络中关键节点识别，城市热点事件\早晚高峰人群车辆迁徙发生时关键路段的模拟；适用于社交、金融风控、交通路网、城市规划等领域 参数说明
聚类系数算法（Cluster Coefficient） 概述 聚类系数表示一个图中节点聚集程度的系数。在现实的网络中，尤其是在特定的网络中，由于相对高密度连接点的关系，节点总是趋向于建立一组严密的组织关系。聚类系数算法（Cluster Coefficient）用于计算图中节点的聚集程度。
Node2vec算法通过调用word2vec算法，把网络中的节点映射到欧式空间，用向量表示节点的特征。 Node2vec算法通过回退参数 P 和前进参数 Q 来生成从每个节点出发的随机步，带有BFS和DFS的混合，回退概率正比于1/P，前进概率正比于1/Q。每个节点出发生成多个随机步，反映出网络的结构信息。 适用场景
、物流配送等场景下的区块之间关系的分析。 带一般过滤条件环路检测（Filtered Circle Detection） 目的是寻找图中所有满足过滤条件的环路。适用于金融风控中循环转账检测、反洗钱，网络路由中异常链接检测，企业担保圈贷款风险识别等场景。 子图匹配（Subgraph Matching）
、目的点target、跳数k、路径数n、过滤条件filters，找出source和target间不多于n条的k跳无环路径。 适用场景 任意网络。 参数说明 表1 filtered_n_paths参数说明 参数 是否必选 说明 类型 取值范围 默认值 source 是 起始点 String
根据输入参数，执行BigClam算法。 BigClam算法是一种重叠社区发现算法，该算法将节点与社区之间的关系建模为一个二部图，假设图中节点的连边是根据社区关系生成的，其可以检测出图中的重叠社区。 URI POST /ges/v1.0/{project_id}/hyg/{graph_name}/algorithm 表1
长按/截图保存，微信识别二维码
或者关注公众号“华为云”
