先来看一个简单的对比：在一张百万量级点边的图上面，用Python NetworkX来完成鲁汶社区识别需要10个小时；类似的，华为的图计算系统需要近3个小时；而通过Ultipa Graph则在1秒钟内以纯实时的方式完成。这种性能差异达到数以万倍计的原因就在于是否实现了高并发、高密度并发原生图计算。

让我们看一个具体的例子——K邻搜索。

K邻（英文K-Hop）操作通常是通过BFS（广度优先搜索）的方式实现的。BFS相对于DFS（深度优先搜索）或其它图算法（鲁汶社区识别等）而言是比较容易实现并发计算的，在图中实现BFS算法并发的过程如下：

K邻并发算法步骤如下：

• 在图中定位起始顶点（上图中心的绿色顶点），计算其直接关联的、去重后的邻居数量。如果K=1，直接返回邻居去重后数量；否则，执行下一步。
• K>=2, 确定参与并发计算的资源量，并根据第一步中返回的邻居数量决定每个并发线程（任务）所需处理的任务量大小，进入第三步。
• 每个任务进一步以分而治之的方式，计算当前（被分配的）顶点的邻居数量，直到满足深度为K或者无新的邻居顶点可以被返回而退出，结束。

以大家所熟知的Twitter-2010数据集中，因为4200万的顶点与14.7亿条边的集合中存在大量超级节点（一般认为1度邻居在10000以上的顶点为超级节点或热点，而Twitter数据集中有很多顶点的1度邻居超过1000000个），因此是否能够实现以并发的方式递归查询至关重要——高并发的Ultipa系统可以在6-hop查询中≤2秒钟完成计算，而Tigergraph则需要≥60秒，而其它系统，包含Neo4j、Nebula Graph、HugeGraph、ArangoDB等则完全无法返回。

在基准测试中，我们以Twitter数据集为基础，对标了多家图数据库系统的性能，结果简报如下：

• 数据加载：Ultipa比任何其它系统要快3-60倍
• K邻查询：Ultipa比所有其它系统快至少10倍以上。事实上，超过6跳的深度查询，只有Ultipa可以返回结果
• 图算法：Ultipa比任何其它图数据库系统快10倍以上。很多系统根本无法完成算法执行

各家图数据库的图计算性能对比图（以下4张图）：

以上评测指标可以清晰的表明 Ultipa 嬴图系统较其它系统存在明显的、指数级的性能优势。在很多情况下这种优势会让原来 T+1 的批处理操作变为实时化，让原来不可能的工作方式成为可能，进而赋能业务与科技部门加速完成数字化转型。