Bases de Datos de Grafos

Haciendo un aná lisis de las bases de datos de grafos podemos ver que se usan para describir
una colecció n de nodos, cada uno de estos nodos contiene informació n o propiedades y con
relació n “etiquetada” entre ellos mismos
Haciendo un ejemplo de esto podemos mencionar las redes sociales. Las personas en las redes
vendrían a ser los nodos, las características o atributos de cada persona como: nombre, edad,
sexo, etc., vendrían a ser las propiedades, y las líneas que conectan a estas personas (con
etiquetas como amigo, hijo, mama, papa) vendrían a indicar la relació n que tienen.
Viendo esto podemos analizar de que las bases de datos de grafos trabajan almacenando las
“relaciones” junto con los datos. Debido a que los nodos relacionados está n vinculados
físicamente en la base de datos, acceder a esas relaciones a tan rá pido e inmediato como
acceder a los datos en sí. En otras palabras, en vez de calcular las relaciones como una base de
datos relaciones lo haría, las bases de datos de grafos simplemente leen las bases de datos
desde el almacenamiento
Otro dato interesante a mencionar es que una base de datos de grá ficos no solo almacena las
relaciones entre objetos de forma nativa, lo que hace que las consultas sobre las relaciones
sean rá pidas y fá ciles, sino que le permite incluir diferentes tipos de objetos y diferentes tipos
de relaciones en el grá fico. Así como otras bases de datos NoSQL, las bases de datos de grafos
no tienen esquema. Por lo tanto, en un aná lisis de rendimiento y flexibilidad, las bases de
datos de grafos se acercan má s a las bases de datos basadas en documentos que a las bases de
datos relacionales
Ahora Haciendo referencia a casos de usos de bases de datos de grafos vamos a mencionar
nuevamente a las redes sociales. Las Bdds de grafos reducen la cantidad de trabajo necesario
para construir y mostrar la visualizació n de los datos encontrada en las redes sociales, como
la actividad en los feeds o determinar si es posible que conozca o no a una persona
determinada debido a su proximidad con otros amigos que tenga en la red.
A continuació n, se muestra una imagen haciendo referencia a una base de datos de grafos de
una red social
Podemos ver en el grafico 3 personas, que vendrían a ser los nodos, los cuales está n
relacionados mediante la etiqueta “amigo” y así se van relacionando con otros nodos como
restaurantes y ubicaciones de acuerdo a sus gusto o atributos
Haciendo menció n a otro ejemplo en el cual podemos usar estas bases de datos es encontrar
patrones de conexió n en datos de grá ficos que serían difíciles de descifrar a través de otras
representaciones de datos. Los sistemas de detecció n de fraudes utilizan bases de datos
grá ficas para sacar a la luz las relaciones entre entidades que de otro modo hubieran sido
difíciles de notar.
¿Pues có mo funciona este escenario de la detecció n de fraudes? Si bien la mayoría de las
actividades fraudulentas pueden involucrar redes criminales, incluso un solo estafador bien
informado puede crear una gran cantidad de identidades sintéticas y llevar a cabo esquemas
importantes. Consideremos una transacció n en línea con los siguientes identificadores: ID de
usuario, direcció n IP, ubicació n geográ fica, una cookie de seguimiento y un nú mero de tarjeta
de crédito. Normalmente, las relaciones entre estos identificadores deben ser uno a uno
(bueno, la mayoría de las veces). Algunas variaciones naturalmente tienen en cuenta las
má quinas compartidas, las familias que comparten un solo nú mero de tarjeta de crédito, las
personas que utilizan varias computadoras, etc. Sin embargo, tan pronto como las relaciones
entre estas variables excedan un nú mero razonable, el fraude debe considerarse como una
fuerte posibilidad. Cuantas má s interconexiones existan entre los identificadores, mayor será
el motivo de preocupació n. Los grá ficos grandes y compactos son muy indicadores de que se
está produciendo un fraude. Por lo tanto, al colocar controles y activadores de eventos en las
rutas de las transacciones, podemos detectar, monitorear posibles actividades de fraude y
detectar los intentos de malicia de los estafadores contra personas y organizaciones en
tiempo real.