Neue Grapharchitektur ermöglicht maximale Skalierung transaktionaler und analytischer Graph-Workloads, ohne Performanceverlust oder Strukturbruch.
München – 4. September 2025 – Neo4j, Anbieter von Graphdatenbanken und Graph Analytics, stellt Infinigraph vor. Die neue verteilte Grapharchitektur unterstützt transaktionale (OLTP) und analytische (OLAP) Workloads in einem einzigen System bei 100-TB+ Skalierung. Der Graph wird dabei nicht fragmentiert und es entsteht keine doppelte Infrastruktur, bei gleichbleibend hoher Performance.
Die Architektur gewährleistet vollständige ACID-Compliance. Damit sind alle Lese-, Schreib- und Update-Operationen konsistent, zuverlässig und wiederherstellbar – selbst bei Milliarden von Beziehungen und Tausenden gleichzeitigen Abfragen in Echtzeit.
Infinigraph eröffnet damit neue Anwendungsgebiete in einer Phase, in der GenAI-Deployments eine bisher nicht erreichte Datenskalierung erfordern. Anwender können Millionen von Dokumenten als Vektoren einbetten und direkt im Graph speichern, um kontextbezogene Assistenten und semantische Suche zu unterstützen.
Datensilos zwischen Transaktions- und Analysesystemen auflösen
Die neue Architektur löst zudem ein zentrales Datenproblem von Unternehmen, die aufgrund von Datensilos mit voneinander getrennten transaktionalen Systemen und analytischen Tools arbeiten müssen. Diese Trennung erschwert den Einsatz von KI-Anwendungen, verlangsamt Entscheidungen in Echtzeit und treibt die Kosten durch komplexe Integrationen in die Höhe. Stattdessen sehen sich Unternehmen gezwungen, zwei Datenbanken zusammenzuführen, mehrere getrennte Systeme zu synchronisieren oder eine einzelne Engine über ihre Grenzen hinaus zu belasten.
Infinigraph löst dieses Problem direkt. In der neuen Architektur wird Sharding eingesetzt, wodurch die Property-Daten des Graphen über verschiedene Cluster-Mitglieder verteilt werden. Der Graph bleibt dabei logisch vollständig, Abfragen verhalten sich wie erwartet und Anwendungen lassen sich ohne Codeänderungen oder manuelle Workarounds skalieren. So können Teams beide Workload-Typen im selben System und in sehr großem Umfang ausführen – ohne ETL-Pipelines, Synchronisationsverzögerungen oder redundante Infrastruktur. Autonome KI-Agenten, Compliance-Systeme und transaktionale Anwendungen lassen sich auf einer konsistenten, vernetzten Datenbasis betreiben.
Unternehmen können so zum Beispiel im selben Datensatz Betrugsversuche erkennen und Netzwerke analysieren. Sie können in Echtzeit Kundenempfehlungen generieren und gleichzeitig jahrzehntelange Kundendaten und Verhaltenstrends auswerten.
Leistung und Features von Infinigraph im Überblick:
– 100TB+ horizontale Skalierung ohne Anpassungen von Anwendungen
– Einbettung von Milliarden Vektoren direkt im Graphen
– Hohe Performance auch bei sehr großen transaktionalen und analytischen Workloads
– Hohe Verfügbarkeit über mehrere Rechenzentren hinweg durch autonomes Clustering, das Ausfälle automatisch erkennt und behebt
– Keine ETL-Pipelines, keine Synchronisationsverzögerungen und kein doppelter Speicher
– Erhalt der Graphstruktur für Traversals in Echtzeit, auch bei hoher Skalierung
– Volle ACID-Compliance für konsistente Enterprise-Datenintegrität
– Preismodell für Skalierung: Compute und Storage werden separat abgerechnet – für mehr Kontrolle über Kosten und flexible Deployments
Mit Infinigraph stellt Neo4j Anwendern das gesamte Spektrum an Scale-Architekturen bereit. Teams können replizierte Graphen für High Availability und Read Scalability einsetzen, föderierte Graphen mit Neo4j Fabric für Abfragen über getrennte Graphen nutzen oder geshardete Graphen mit Infinigraph für nahtlose Skalierbarkeit. Die Kombination dieser Architekturen deckt unterschiedliche Anwendungsfälle im gesamten Unternehmen ab.
„Mit Infinigraph setzen wir einen neuen Standard für Enterprise-Graphdatenbanken“, erklärt Sudhir Hasbe, President, Technology bei Neo4j. „Ein einziges System, das Real-Time Operations und Deep Analytics gemeinsam ausführt – mit voller Genauigkeit und in großem Maßstab. Wir geben Entwicklern die Möglichkeit, intelligente Systeme zu schaffen, die Daten in Wissen verwandeln, unbegrenzt skalieren und ihre größten Datenprobleme lösen. Und das ohne zusätzliche Komplexität oder Kosten.“
Infinigraph ist ab sofort als Teil der Neo4j Enterprise Edition verfügbar. In Kürze steht die Graphdatenbank auch in Aura bereit, der Cloud-nativen Plattform von Neo4j für Graph-Anwendungen. Ausführliche Informationen zu Infinigraph finden sich im Blog auf der Neo4j Webseite.
Graph-Innovationen für KI-Anwendungen von Morgen
Die neue verteilte Grapharchitektur markiert einen weiteren Meilenstein von Neo4j. Der Anbieter brachte als Erster Graph-Analytics für beliebige Datenplattformen auf den Markt, führte native Vektorsuche für Graph-basiertes GenAI-Retrieval ein, machte sein gesamtes Cloud-Portfolio KI-tauglich und entwickelte Enterprise-level Graph Data Science (inkl. Graph-Algorithmen-Bibliothek). Damit positioniert Neo4j seine Graphdatenbank als zentralen Graph-Layer für intelligente Anwendungen. Bereits heute wird die native Grapharchitektur von mehr als der Hälfte der Fortune-500-Unternehmen eingesetzt und kommt in 84 der Fortune-100-Unternehmen zum Einsatz (u. a. Adobe, BT Group, Novo Nordisk, Uber, UBS).
Neo4j wurde als 2025 Gartner Peer Insights™ Customer“s Choice ausgezeichnet und im Gartner® Magic Quadrant™ for Cloud Database Management Systems 2024 als Visionär eingestuft. The Forrester Wave™: Vector Databases, Q3 2024 bezeichnete Neo4j als „Strong Performer“. Ende letzten Jahres überschritt das Unternehmen die Marke von 200 Millionen US-Dollar an jährlichen Umsätzen.
REFERENZEN / HINTERGRUNDINFOS
Chad Cloes, Staff Software Engineer, Intuit
„Bei Intuit setzen wir Neo4j für geschäftskritische Projekte ein, unter anderem für unsere Security Attribution Platform, die auf unserem Open-Source-Projekt Nodestream basiert. Mit wachsendem Datenvolumen und steigender Komplexität müssen wir skalieren, ohne dabei Abstriche bei der Performance zu machen. Infinigraph eröffnet uns dafür neue Möglichkeiten.“
Moheesh Raj, Director of Engineering, Dun & Bradstreet
„Unsere Systeme basieren auf vernetzten Insights (Erkenntnissen) aus Identity-, Ownership-, Linkage- und Compliance-Daten. Es ist entscheidend, sowohl Echtzeit-Abfragen durchzuführen als auch umfassendere Muster zu analysieren, um Mehrwert zu schaffen. Dafür muss sich ein Graph in beide Richtungen skalieren lassen.“
Devin Pratt, Research Director, IDC
„Mit der exponentiellen Ausweitung von GenAI-Anwendungsfällen hat Graph-Infrastruktur zunehmend an Bedeutung gewonnen. Neo4js jüngster Schritt mit Infinigraph ist ein wichtiger nächster Meilenstein, um Unternehmen beim horizontalen Skalieren ihrer Graph-Grundlagen für Enterprise-Anforderungen zu unterstützen.“
Über Neo4j
Neo4j, der führende Anbieter von Graphdatenbanken und Graph Analytics, hilft Unternehmen, Muster und Beziehungen innerhalb von Milliarden von Daten umfassend, einfach und schnell aufzudecken. Anwender nutzen diese vernetzte Datenstruktur, um innovative Lösungen für ihre dringlichsten Geschäftsprobleme zu entwickeln – von Betrugserkennung und 360-Grad-Kundenansicht, über Knowledge Graphen und Supply Chain, bis hin zu Netzwerkverwaltung und IoT. Und das unabhängig vom Datenwachstum. Neo4js umfassender Graph Stack bietet leistungsstarke Graph-Datenspeicherung mit nativer Vektorsuche, Data Science, Analytik und Visualisierung, einschließlich hoher Sicherheitseinstellungen für Enterprise-Umgebungen, skalierbarer Architektur und ACID-Konformität. Neo4j ist stolz auf seine dynamische Open-Source-Community mit mehr als 250.000 Entwicklern, Datenwissenschaftlern und Architekten sowie Hunderten von Fortune-500-Unternehmen, Regierungsbehörden und NGOs. Besuchen Sie www.neo4j.com
GARTNER ist eine eingetragene Marke und Dienstleistungsmarke von Gartner, Inc. und/oder seinen Tochtergesellschaften in den USA und international und wird hier mit Genehmigung verwendet. Alle Rechte vorbehalten. Magic Quadrant ist eine eingetragene Marke von Gartner, Inc. und/oder seiner Tochtergesellschaften und wird hier mit Genehmigung verwendet. Alle Rechte vorbehalten.
Gartner unterstützt keine der in seinen Forschungspublikationen dargestellten Anbieter, Produkte oder Dienstleistungen und rät Technologieanwendern nicht, nur die Anbieter mit den höchsten Bewertungen oder anderen Bezeichnungen auszuwählen. Die Forschungspublikationen von Gartner geben die Meinung der Forschungsorganisation von Gartner wieder und sollten nicht als Tatsachenbehauptungen ausgelegt werden. Gartner lehnt jede ausdrückliche oder stillschweigende Gewährleistung in Bezug auf diese Studie ab, einschließlich jeglicher Gewährleistung der Marktgängigkeit oder Eignung für einen bestimmten Zweck.
Firmenkontakt
Neo4j
Neo4j Media Hotline
. .
. .
.
http://neo4j.com/pr
Pressekontakt
Lucy Turpin Communications
Sabine Listl / Kathrin Schirmer
Prinzregentenstr. 89
81675 München
+49 89 417761-16
http://lucyturpin.de
- Neo4j (Wikipedia)
Neo4j ist eine in Java implementierte Open-Source-Graphdatenbank. Die Entwickler beschreiben Neo4j als eine eingebettete, Disk-basierte, transaktionale Datenbank-Engine, die Daten anstatt in Tabellen in Graphen strukturiert speichert. Neo4j Version 1.0 wurde im Februar 2010 freigegeben. Die Community-Edition der Datenbank ist unter der GNU General Public License (GPL) v3 lizenziert. Zusatzmodule wie Online-Backup und Hochverfügbarkeit sind unter der GNU Affero General Public License (AGPL) v3 lizenziert. Die Datenbank sowie die Zusatzmodule sind in einem dualen Lizenzmodell auch unter einer kommerziellen Lizenz erhältlich. Neo4j ist die populärste Graphdatenbank und steht auf Platz 22 der populärsten Datenbanken (Stand 2019). Neo4j wurde von Neo Technology entwickelt, einem Start-up-Unternehmen mit Sitz in Malmö/Schweden und San Francisco Bay/USA. Mitglieder des Vorstandes von Neo Technology sind Rod Johnson (Erfinder des Spring Frameworks), Chris Barchak (Partner bei Conor Venture Partners), Magnus Christerson (stellvertretender Vorsitzender der Intentional Software Corp.), Nikolaj Nyholm (Partner bei Sunstone Capital), Guarav Tuli (Direktor bei Fidelity Growth Partner) und Johan Svensson (Technischer Direktor der Neo Technology). - OLAP (Wikipedia)
Online Analytical Processing (OLAP) wird neben dem Data-Mining zu den Methoden der analytischen Informationssysteme gezählt. OLAP wird weiterhin den hypothesengestützten Analysemethoden zugeordnet. Der Analyst muss vor der eigentlichen Untersuchung wissen, welche Anfragen er an das OLAP-System stellen möchte. Seine Hypothese wird dann durch das Analyseergebnis bestätigt oder widerlegt. OLAP-Systeme bilden in diesem Zusammenhang oft die technologische Grundlage für aktuelle Business-Intelligence-Anwendungen. Typische Einsatzszenarien für entsprechende OLAP-Systeme sind u. a. das Berichtswesen und Analyse, aber auch Planung und Budgetierung in folgenden Bereichen: Controlling, Finanzabteilungen, Vertrieb, Produktion, Personal und Management Unternehmenssteuerung. OLAP-Systeme beziehen ihre Daten entweder aus den operationalen Datenbeständen eines Unternehmens oder aus einem Data-Warehouse (Datenlager). Der Einsatz eines Data-Warehouse verhindert, dass die Analysedaten mit den transaktionsorientierten Datenbeständen in Kontakt kommen und die Leistungsfähigkeit beeinträchtigt wird. Ebenso ist die Leistung eines OLAP-Systems von der verwendeten Datenhaltungsform und deren Anbindung an den Analyse-Client abhängig. Im Gegensatz zum Online Transaction Processing (OLTP) steht hier die Durchführung komplexer Analysevorhaben im Vordergrund, welche ein sehr hohes Datenaufkommen verursachen. Das Ziel ist, durch multidimensionale Betrachtung dieser Daten ein entscheidungsunterstützendes Analyseergebnis zu gewinnen. Als besondere Zielgruppe wird hier das Management in seiner Rolle als Entscheidungsträger genannt. Die OLAP zugrunde liegende Struktur ist ein OLAP-Würfel (englisch cube), der aus der operationalen Datenbank erstellt wurde. Dieser folgt einer multidimensionalen, datenpunktorientierten Logik im Gegensatz zur zeilenorientierten Logik beim OLTP. - OLTP (Wikipedia)
Online Transaction Processing (OLTP), Online-Transaktionsverarbeitung, auch Echtzeit-Transaktionsverarbeitung, bezeichnet ein Benutzungsparadigma von Datenbanksystemen und Geschäftsanwendungen, bei dem die Verarbeitung von Transaktionen direkt und prompt, also ohne nennenswerte Zeitverzögerung, stattfindet. Gegenstück ist die Batch-Verarbeitung, bei der alle Geschäftsvorfälle gesammelt und in – häufig nächtlichen, von Online-Betrieb freien Zeiten – Batchläufen verarbeitet werden. Die Namensgebung (englisch batch ‚Stapel‘) stammt aus den 1960er / 1970er Jahren, denn die Daten (und oft auch Programme) lagen dabei als Lochkarten vor und wurden als Stapel eingelesen und verarbeitet. Bei dieser Bezeichnung spielt auch der Aspekt eine Rolle, dass die Aufgaben (wie beim Lochkartenstapel) nur nacheinander ausgeführt werden können, während beim OLTP viele verschiedene Geschäftsoperationen gleichzeitig stattfinden. Das technische Hauptaugenmerk beim OLTP liegt auf der Transaktionssicherheit bei parallelen Anfragen und Änderungen, auf der Minimierung der Antwortzeit von Anfragen sowie auf einem möglichst hohen Durchsatz (Anzahl Transaktionen pro Zeitspanne). Die Effizienz von OLTP-Systemen ist dabei von der Auswahl geeigneter Hardware (Datenbankserver, Netzwerkkomponenten wie LAN und WAN) und Software (Datenbankmanagementsystem) abhängig. Durch die Beachtung von Transaktionskriterien (siehe ACID) wird sichergestellt, dass die Konsistenz der Datenbank (es können heutzutage auch mehrere verteilte sein) erhalten bleibt und Daten nie unvollständig oder inkonsistent gespeichert werden. OLTP-Datenbank-Systeme speichern typischerweise die Transaktionen eines Geschäftsvorganges in dem höchsten Detaillierungsgrad, der für die operative Tätigkeit des Unternehmens erforderlich ist. In Anlehnung zu dem Begriff OLTP begegnet man auch der Bezeichnung Online Analytical Processing (OLAP), das sich mit der Aggregation, Aufbereitung und Auswertung der operativen Daten eines längeren Zeitraums beschäftigt. - Sharding (Wikipedia)
Unter Denormalisierung versteht man die bewusste Rücknahme einer Normalisierung zum Zweck der Verbesserung des Laufzeitverhaltens einer Datenbankanwendung. Aus Sicht der ANSI-SPARC-Architektur wird die konzeptionelle Ebene eines Datenmodells vollständig normalisiert entworfen. Unabhängig davon kann die interne Ebene gezielt denormalisiert entworfen werden. Denormalisierung findet also ausschließlich auf der internen Ebene statt und entbindet nicht von der Forderung, zuvor die konzeptionelle Ebene zu normalisieren. Ein logisch ideales („normalisiertes“) Datenmodell ist vollkommen redundanzfrei – abgesehen von der technisch notwendigen Mehrfachspeicherung von Fremdschlüsseln bei Primärschlüssel-Fremdschlüssel-Beziehungen. Mit Denormalisierungen lassen sich oftmals wesentlich größere Performance-Verbesserungen erreichen als mit einem Tuning der Datenbankinstallation. Neben der Verbesserung des Laufzeitverhaltens wird Denormalisierung auch angewandt, um die Komplexität eines Systems zu verringern oder um die Administrierbarkeit der gespeicherten Daten zu erleichtern.
