111. 그래프 분석 (Graph Analytics) — PageRank/커뮤니티 탐지/최단 경로

핵심 인사이트 (3줄 요약)

본질: 그래프 분석 (Graph Analytics)은 노드 (Node)와 엣지 (Edge)로 구성된 그래프 구조 데이터에서 PageRank·커뮤니티 탐지·최단 경로·삼각형 수 (Triangle Count) 등의 알고리즘을 적용하여 구조적 패턴과 영향력을 분석하는 기법이다.

가치: 지식 그래프 (Knowledge Graph), 소셜 네트워크, 공급망, 사기 탐지 네트워크, 추천 시스템 등 관계가 본질인 모든 데이터에서 일반 테이블 기반 분석이 놓치는 구조적 인사이트를 제공한다.

판단 포인트: 소규모 그래프는 NetworkX, 대규모 분산 처리는 Apache Spark GraphX·Apache Flink Gelly, 실시간 그래프 쿼리는 TigerGraph·Amazon Neptune을 선택하며, 속성 그래프 (Property Graph) vs RDF (Resource Description Framework) 모델 선택이 아키텍처의 핵심이다.

Ⅰ. 개요 및 필요성

구글 검색의 핵심인 PageRank, 페이스북의 친구 추천, 넷플릭스의 영화 추천, 금융 사기 탐지—이 모두는 데이터를 그래프로 보는 관점에서 태어났다. 테이블에 저장된 데이터는 "각 행의 속성"을 잘 표현하지만, "행들 간의 관계"는 조인을 거듭해도 한계가 있다.

그래프 분석은 "관계 자체가 데이터"라는 인식의 전환에서 비롯된다. 노드가 수십억 개이고 엣지가 수천억 개인 소셜 그래프나 지식 그래프에서 의미 있는 패턴을 찾으려면 그래프 전용 처리 엔진이 필수다.

📢 섹션 요약 비유: 그래프 분석은 사람들이 서로 어떻게 연결돼 있는지 보여주는 지도다. 테이블이 이름표를 모은 서랍장이라면, 그래프는 사람들이 실제로 걸어 다니는 도시 지도다.

Ⅱ. 아키텍처 및 핵심 원리

그래프 알고리즘 분류

┌──────────────────────────────────────────────────────────────────────┐
│                    핵심 그래프 알고리즘                               │
├─────────────────────┬──────────────────────┬─────────────────────────┤
│  중심성 알고리즘    │  커뮤니티 탐지        │  경로 알고리즘          │
├─────────────────────┼──────────────────────┼─────────────────────────┤
│  PageRank           │  Louvain             │  BFS (너비 우선 탐색)   │
│  (연결 권위도)      │  (모듈러리티 최적화) │  (최단 홉 수)           │
│                     │                      │                         │
│  Betweenness        │  Label Propagation   │  Dijkstra               │
│  (매개 중심성)      │  (레이블 전파)       │  (가중 최단 경로)       │
│                     │                      │                         │
│  Eigenvector        │  Girvan-Newman       │  A* (휴리스틱)          │
│  (고유벡터 중심성)  │  (엣지 제거)         │  (GPS 내비게이션)       │
├─────────────────────┴──────────────────────┴─────────────────────────┤
│  삼각형 수 (Triangle Count): 군집 계수 → 사기 탐지, 커뮤니티 밀도   │
│  WCC (Weakly Connected Component): 연결 요소 탐지 → 고립 클러스터   │
└──────────────────────────────────────────────────────────────────────┘

PageRank 원리

PR(u) = (1-d)/N + d × Σ [PR(v) / OutDegree(v)]
        (for all v pointing to u)

d = 감쇠 계수 (Damping Factor) ≈ 0.85
N = 전체 노드 수
→ "권위 있는 노드(높은 PR)로부터 연결받을수록 PR이 높아진다"

그래프 데이터 모델 비교

모델	구조	특징	적합 사용처
속성 그래프 (Property Graph)	노드/엣지 + 속성(key-value)	직관적, 성능 우수	소셜 네트워크, 추천
RDF (Resource Description Framework)	주어-술어-목적어 트리플	시맨틱 웹, 표준화	지식 그래프, 온톨로지
하이퍼그래프 (Hypergraph)	하나의 엣지가 다수 노드 연결	복잡한 다자 관계	협업 네트워크

📢 섹션 요약 비유: PageRank는 학문 논문 인용 관계에서 영감을 얻었다. 많이 인용되는 논문이 중요한 것처럼, 권위 있는 사이트에서 링크를 받는 페이지가 중요하다는 논리다.

Ⅲ. 비교 및 연결

항목	그래프 DB (Neo4j/Neptune)	RDBMS	그래프 처리 엔진 (GraphX/Gelly)
최적화 대상	관계 탐색 쿼리	집계·트랜잭션	대규모 그래프 알고리즘
쿼리 언어	Cypher / Gremlin / SPARQL	SQL	API (GraphX/Pregel)
확장성	수십억 노드까지 (수직 확장)	테이블 조인 한계	수천억 노드 (수평 분산)
실시간 처리	밀리초 수준	조인 증가시 느려짐	배치 중심 (실시간은 Flink)
사용 사례	추천, 사기 탐지, KG	ERP, CRM	소셜 그래프 분석, PageRank

GNN (Graph Neural Network)과 그래프 분석의 결합이 최신 트렌드다. GNN은 노드의 피처와 그래프 구조를 동시에 학습하여 링크 예측 (Link Prediction), 노드 분류 (Node Classification), 그래프 분류에서 우수한 성능을 보인다.

📢 섹션 요약 비유: 그래프 DB는 빠른 관계 탐색에 특화된 지도 앱이고, 그래프 처리 엔진은 수십억 명의 이동 패턴을 통계로 분석하는 빅데이터 시스템이다. 목적이 다르면 도구도 다르다.

Ⅳ. 실무 적용 및 기술사 판단

적용 시나리오

지식 그래프 (Knowledge Graph): 엔티티와 관계를 RDF/속성 그래프로 구축 → 검색 엔진 강화, 추천 연계
금융 사기 공모 탐지: 계좌-거래 그래프에서 밀집 커뮤니티 = 공모 그룹 자동 탐지
공급망 리스크 분석: 공급업체-부품 의존성 그래프 → 단일 공급업체 의존 취약점 시각화
추천 시스템: 사용자-상품 이분 그래프 (Bipartite Graph) + PageRank → 개인화 추천

분산 처리 플랫폼

플랫폼	특징	규모
Apache Spark GraphX	Pregel API, RDD 기반, Scala/Python	수십억 노드
Apache Flink Gelly	스트리밍 그래프 처리, 이터레이티브	실시간 수십억
TigerGraph	실시간 그래프 쿼리 DB, GSQL	실시간 수천억
Amazon Neptune	관리형 그래프 DB, Property + RDF	클라우드 완전관리형
NetworkX	Python 라이브러리, 단일 머신	수백만 노드

📢 섹션 요약 비유: 그래프 분석 플랫폼 선택은 용도에 따라 달라진다. 프로토타이핑은 NetworkX, 대규모 배치 분석은 GraphX, 실시간 쿼리는 TigerGraph, 완전 관리형 클라우드는 Amazon Neptune이다.

Ⅴ. 기대효과 및 결론

효과	내용
숨겨진 관계 발굴	테이블 분석으로는 보이지 않는 N단계 간접 연결 탐지
사기 탐지 정확도	공모 패턴의 구조적 특징 자동 인식으로 미탐 감소
추천 품질 향상	협업 필터링 + 그래프 구조 결합으로 다양성 개선
지식 베이스 구축	지식 그래프로 조직 내 분산 지식을 통합
공급망 가시성	N차 공급업체까지 의존성 추적으로 리스크 사전 파악

그래프 분석은 "모든 것은 연결돼 있다"는 인식의 수학적 구현이다. 기존 테이블 기반 데이터 분석 패러다임으로는 접근할 수 없던 관계 구조 문제에 대한 체계적 해법을 제공한다. GNN의 부상으로 전통 그래프 알고리즘과 딥러닝의 경계가 사라지고 있으며, 이 둘의 결합이 지식 그래프·추천 시스템·생명공학 연구의 미래를 열고 있다.

📢 섹션 요약 비유: 그래프 분석은 세상의 복잡한 연결망을 이해하는 현미경이다. 사람들이 어떻게 연결돼 있는지, 정보가 어떻게 흐르는지, 위험이 어디서 전파되는지를 한눈에 볼 수 있게 해준다.

📌 관련 개념 맵

개념	관계
PageRank	구글 검색의 핵심, 연결 권위도 측정
Louvain 알고리즘	대규모 커뮤니티 탐지 표준 알고리즘
Dijkstra 알고리즘	가중 그래프 최단 경로 탐색
GNN (Graph Neural Network)	그래프 구조 + 딥러닝의 결합
지식 그래프 (Knowledge Graph)	엔티티-관계 구조로 지식 표현
Apache Spark GraphX	분산 환경 대규모 그래프 처리
RDF (Resource Description Framework)	시맨틱 웹 표준 그래프 데이터 모델

📈 관련 키워드 및 발전 흐름도

[그래프 이론 (Graph Theory) — 정점(Vertex)·간선(Edge)으로 관계를 수학적 표현]
    │
    ▼
[그래프 분석 (Graph Analytics) — PageRank·커뮤니티 탐지·최단 경로 등 관계 패턴 발굴]
    │
    ▼
[Apache Spark GraphX / Pregel — 대규모 그래프의 분산 병렬 처리 프레임워크]
    │
    ▼
[지식 그래프 (Knowledge Graph) — RDF/OWL 기반 엔티티-관계 구조화, 의미 추론]
    │
    ▼
[GNN (Graph Neural Network) — 그래프 구조 + 딥러닝, 분자설계·사기탐지·추천시스템 적용]

이 흐름은 그래프 이론의 수학적 기반에서 출발해 분산 처리 프레임워크로 대규모 분석을 가능케 하고, 지식 그래프의 의미 추론과 GNN의 딥러닝 결합으로 진화하는 그래프 데이터 활용 기술의 핵심 계보를 보여준다.

👶 어린이를 위한 3줄 비유 설명

그래프 분석은 사람들 사이의 친구 관계를 선으로 그려서 누가 제일 인기 있고, 어떤 그룹이 있는지 찾는 거예요.
PageRank는 "유명한 친구가 많은 사람이 더 유명하다"는 원리로 웹페이지의 중요도를 계산해요.
구글 검색, 페이스북 친구 추천, 배달 앱 최단 경로가 모두 이 기술을 사용해요!