4장: Amazon Neptune과 기타 그래프 DB

학습 목표

• Amazon Neptune의 두 가지 서비스(Database/Analytics)를 이해합니다
• Neptune에서 openCypher와 SPARQL을 활용하는 방법을 파악합니다
• Bedrock Knowledge Bases와의 GraphRAG 통합을 살펴봅니다
• TigerGraph, JanusGraph, Memgraph 등 대안 그래프 DB를 비교합니다
• 프로젝트 요구사항에 맞는 그래프 DB 선택 기준을 제시합니다

Amazon Neptune 개요

Amazon Neptune은 AWS에서 제공하는 완전 관리형 그래프 데이터베이스 서비스입니다. 두 가지 별개의 서비스로 구성됩니다.

Neptune Database

Neptune Database는 OLTP(Online Transaction Processing) 워크로드에 최적화된 서비스입니다.

// Neptune에서의 openCypher 쿼리
// Neo4j Cypher와 대부분 호환되지만 일부 차이 존재
 
// 노드 생성
CREATE (p:Person {name: "김개발", role: "Engineer"})
RETURN p
 
// 관계 생성
MATCH (p:Person {name: "김개발"})
MATCH (t:Technology {name: "Neptune"})
CREATE (p)-[:USES {since: 2025}]->(t)
 
// 경로 탐색
MATCH path = (a:Person)-[:USES|EXPERT_IN*1..2]->(t:Technology)
WHERE a.name = "김개발"
RETURN path

Neptune Analytics

Neptune Analytics는 2024년에 출시된 분석 전용 서비스로, 그래프 분석과 벡터 검색을 결합합니다.

핵심 특징은 다음과 같습니다.

• 임베딩 저장: 그래프 노드에 벡터 임베딩을 직접 저장합니다
• 벡터 검색: 코사인 유사도 기반 벡터 검색을 네이티브로 지원합니다
• 그래프 알고리즘: PageRank, 커뮤니티 감지 등을 내장합니다
• 서버리스: 사용량 기반 과금으로, 분석이 없을 때 비용이 절감됩니다

// Neptune Analytics에서의 벡터 검색 + 그래프 순회
 
// 임베딩 저장
MATCH (d:Document {title: "GraphRAG 가이드"})
CALL neptune.algo.vectors.upsert(d, [0.1, 0.2, 0.3, ...])
 
// 벡터 유사도 검색 후 그래프 순회
CALL neptune.algo.vectors.topKByNode(
  targetNode,
  10  // top-K
)
YIELD node, score
MATCH (node)-[:COVERS]->(tech:Technology)
RETURN node.title, score, collect(tech.name) AS technologies

Bedrock Knowledge Bases 통합

AWS의 가장 큰 차별점은 Amazon Bedrock Knowledge Bases와의 통합입니다. 이를 통해 코드 작성 없이 완전 매니지드 GraphRAG 파이프라인을 구축할 수 있습니다.

아키텍처

설정 과정

Bedrock Knowledge Bases에서 GraphRAG를 활성화하는 과정을 단계별로 정리합니다.

1. S3에 문서 업로드: 원본 문서(PDF, TXT, HTML 등)를 S3 버킷에 저장합니다
2. Knowledge Base 생성: Bedrock 콘솔에서 Knowledge Base를 생성하고, Neptune Analytics를 그래프 저장소로 선택합니다
3. 동기화 실행: Bedrock이 자동으로 LLM을 사용하여 엔티티를 추출하고, 그래프를 구성하며, 임베딩을 생성합니다
4. 쿼리: RetrieveAndGenerate API를 통해 GraphRAG 기반 질의응답을 수행합니다

import boto3
import json
 
bedrock_agent = boto3.client("bedrock-agent-runtime", region_name="us-east-1")
 
def graphrag_query(knowledge_base_id: str, question: str) -> str:
    """Bedrock Knowledge Bases를 통한 GraphRAG 질의를 수행합니다."""
    response = bedrock_agent.retrieve_and_generate(
        input={"text": question},
        retrieveAndGenerateConfiguration={
            "type": "KNOWLEDGE_BASE",
            "knowledgeBaseConfiguration": {
                "knowledgeBaseId": knowledge_base_id,
                "modelArn": "arn:aws:bedrock:us-east-1::foundation-model/anthropic.claude-sonnet-4-20250514",
                "retrievalConfiguration": {
                    "vectorSearchConfiguration": {
                        "numberOfResults": 10
                    }
                }
            }
        }
    )
    return response["output"]["text"]
 
# 사용
answer = graphrag_query(
    knowledge_base_id="KB_ID",
    question="GraphRAG에서 커뮤니티 요약은 어떻게 생성되나요?"
)
print(answer)

기타 그래프 데이터베이스

Neo4j와 Neptune 외에도 다양한 그래프 데이터베이스가 존재합니다. 각각의 특성을 살펴봅니다.

TigerGraph

TigerGraph는 대규모 그래프 분석에 특화된 분산 그래프 데이터베이스입니다.

• GSQL: 자체 그래프 쿼리 언어로, 복잡한 분석 쿼리에 강점이 있습니다
• MPP(Massively Parallel Processing): 수십억 노드 규모의 분산 처리를 지원합니다
• 적합한 경우: 대규모 사기 탐지, 공급망 분석 등 분석 중심 워크로드

// GSQL 쿼리 예시
CREATE QUERY find_connected_techs(VERTEX<Technology> start_tech, INT depth) FOR GRAPH TechGraph {
  SetAccum<VERTEX> @@visited;
  Start = {start_tech};
 
  WHILE Start.size() > 0 LIMIT depth DO
    Start = SELECT t
            FROM Start:s -(DEPENDS_ON)-> Technology:t
            WHERE NOT @@visited.contains(t)
            ACCUM @@visited += t;
  END;
 
  PRINT @@visited;
}

JanusGraph

JanusGraph는 Apache 재단의 오픈소스 분산 그래프 데이터베이스입니다.

• 백엔드 유연성: Cassandra, HBase, Bigtable 등을 스토리지 백엔드로 사용합니다
• Gremlin 쿼리: Apache TinkerPop의 Gremlin 언어를 사용합니다
• 적합한 경우: 기존 Cassandra/HBase 인프라가 있고, 그래프 기능을 추가하려는 경우

Memgraph

Memgraph는 인메모리 그래프 데이터베이스로, 실시간 처리에 최적화되어 있습니다.

• Cypher 호환: Neo4j의 Cypher와 높은 호환성을 유지합니다
• 스트리밍 통합: Kafka, Pulsar 등과 연동하여 실시간 그래프 업데이트를 처리합니다
• 적합한 경우: 실시간 추천, IoT 데이터 처리 등 밀리초 단위 응답이 필요한 경우

NebulaGraph

NebulaGraph는 대규모 분산 환경을 위한 오픈소스 그래프 데이터베이스입니다.

• nGQL: 자체 쿼리 언어로, SQL과 유사한 문법을 제공합니다
• 수평 확장: 스토리지와 컴퓨팅의 분리로 독립적인 확장이 가능합니다
• 적합한 경우: 대규모 소셜 그래프, 추천 시스템

그래프 DB 선택 가이드

프로젝트 요구사항에 따른 그래프 데이터베이스 선택 기준을 제시합니다.

의사결정 플로우

비교 매트릭스

권장 시나리오

Neo4j를 선택하는 경우

• GraphRAG 구현이 주요 목적일 때
• neo4j-graphrag-python 라이브러리와 풍부한 생태계를 활용하고 싶을 때
• 학습 자료와 커뮤니티 지원이 중요할 때

Neptune을 선택하는 경우

• AWS 인프라에 이미 투자한 조직일 때
• Bedrock Knowledge Bases와의 매니지드 통합이 필요할 때
• RDF와 프로퍼티 그래프를 동시에 사용해야 할 때

TigerGraph를 선택하는 경우

• 수십억 노드 규모의 대규모 그래프 분석이 필요할 때
• 복잡한 다중 홉 분석 쿼리가 빈번할 때

Memgraph를 선택하는 경우

• 실시간 스트리밍 데이터의 그래프 처리가 필요할 때
• 밀리초 단위의 응답 시간이 요구될 때

정리

이번 장에서는 Amazon Neptune을 중심으로 다양한 그래프 데이터베이스를 비교했습니다.

• Neptune Database는 OLTP 워크로드에, Neptune Analytics는 분석과 벡터 검색에 특화되어 있습니다
• Bedrock Knowledge Bases 통합을 통해 코드 없이 매니지드 GraphRAG를 구축할 수 있습니다
• TigerGraph은 대규모 분석, Memgraph은 실시간 처리, JanusGraph은 기존 인프라 활용에 적합합니다
• 대부분의 GraphRAG 프로젝트에서는 Neo4j가 생태계와 커뮤니티 측면에서 가장 안전한 선택입니다

다음 장 미리보기: 5장에서는 지식 그래프 구축의 핵심인 LLM 기반 엔티티 추출을 다룹니다. 비정형 텍스트에서 엔티티와 관계를 자동 추출하는 프롬프트 설계와 파이프라인 구축을 살펴봅니다.