图计算是典型的计算密集型任务处理过程，如何能够高密度的并发计算目标数据尤为重要。

所谓高密度并发图计算，以CPU为例，是能充分地让多CPU、多核、多线程充分地并发。没有高密度并发计算的能力，根本就不可能实现指数级的系统性能提升。

CPU的并发计算需要底层的并发数据结构的支撑，依赖这种强力支撑，就可以实现深度的图遍历以及动态剪枝，这二者结合起来对于很多商务场景都价值巨大。例如：时序路径计算、深度关联关系分析、N度影响力评估等等——在BI、风险管理、风控、反欺诈、智慧经营、资产负债管理、精准营销、数据治理、供应链金融等场景。

然而这种能力并不是每一个图系统都可以实现的。以老牌的图数据库厂商Neo4j为例，它的典型企业级部署采用的是3实例、每个实例8核CPU的部署；在工作状态下，任意时刻只有1个实例参与图计算，另外2个实例处于热备份状态，而系统的最大并发计算能力是4线程，也就是说面向每个图查询操作只有最大400%的并发程度。

反之，在嬴图系统中，并发能力与底层的硬件线性挂钩。也就是说，如果是32vCPU的部署，并发可达3200%；如果是64vCPU，并发为6400%；以此类推。这种线性可增长的、高密度的并发所带来的直接的收益有三个：

• 系统整体性能：吞吐率的指数级提升（6400% vs 100%是数十倍的提升）
• 资源利用率的提升 ：计算资源、存储资源、内存资源的高效利用
• 降低成本：由于资源利用率的上升，集群规模相应可以减少