- 最新动态
- 产品介绍
- 计费说明
- 快速入门
-
用户指南
- 如何使用图引擎服务
- 准备工作
- 权限管理
- 元数据操作
- 创建图
- 管理图
- 数据迁移
- 访问图和分析图
- 查看图任务
- 配置图操作权限
- 运维监控
- 套餐包管理
-
算法参考
- 算法一览表
- PageRank算法
- PersonalRank算法
- k核算法（k-core）
- k跳算法（k-hop）
- 最短路径算法（Shortest Path）
- 全最短路算法（All Shortest Paths）
- 带一般过滤条件最短路径（Filtered Shortest Path）
- 单源最短路算法（SSSP）
- 点集最短路（Shortest Path of Vertex Sets）
- 关联路径算法（n-Paths）
- 紧密中心度算法（Closeness Centrality）
- 标签传播算法（Label Propagation）
- Louvain算法
- 关联预测算法（Link Prediction）
- Node2vec算法
- 实时推荐算法（Real-time Recommendation）
- 共同邻居算法（Common Neighbors）
- 连通分量算法（Connected Component）
- 度数关联度算法（Degree Correlation）
- 三角计数算法（Triangle Count）
- 聚类系数算法（Cluster Coefficient）
- 中介中心度算法（Betweenness Centrality）
- 边中介中心度（Edge-betweenness Centrality）
- OD中介中心度（OD-betweenness Centrality）
- 单点环路检测（Single Vertex Circles Detection）
- 点集共同邻居（Common Neighbors of Vertex Sets）
- 点集全最短路（All Shortest Paths of Vertex Sets）
- 带一般过滤条件环路检测（filtered circle detection）
- 子图匹配（Subgraph Matching）
- 带过滤全对最短路径（Filtered All Pairs Shortest Paths）
- 带过滤全最短路径（Filtered All Shortest Paths）
- TopicRank算法
- 带过滤的n_paths算法（filtered_n_paths）
- 时序路径分析（Temporal Paths）
- 开发指南
-
API参考
- 使用前必读
- API概览
- 如何调用API
- 管理面API（V2）
-
业务面API
-
内存版
- 点操作API
- 边操作API
- 元数据操作API
- 索引操作API
- Gremlin操作API
-
算法API
- 执行算法(1.0.0)
-
算法API参数参考
- 算法公共参数
- pagerank算法(1.0.0)
- personalrank算法(1.0.0)
- k核算法（kcore）(1.0.0)
- k跳算法（k_hop）(1.0.0)
- 共同邻居（common_neighbors）(1.0.0)
- 点集共同邻居(common_neighbors_of_vertex_sets)(2.2.13)
- 关联预测（link_prediction）(1.0.0)
- 最短路径（shortest_path）(2.1.5)
- 全最短路（all_shortest_paths）(1.0.12)
- 带一般过滤条件最短路径（filtered_shortest_path）(2.2.4)
- 单源最短路（sssp）(1.0.0)
- 点集最短路（shortest_path_of_vertex_sets）(2.1.5)
- 关联路径（n_paths）(1.1.2)
- 带过滤的n_paths算法（filtered_n_paths）(2.2.22)
- 带过滤全对最短路径（filtered_all_pairs_shortest_paths）(2.2.17)
- 点集全最短路(all_shortest_paths_of_vertex_sets)(2.2.15)
- 带过滤全最短路径（filtered_all_shortest_paths）(2.2.17)
- 连通分量（connected_component）(1.0.0)
- 标签传播（label_propagation）(2.1.8)
- louvain算法（louvain）(2.2.1)
- node2vec算法（node2vec）(1.0.5)
- 实时推荐（realtime_recommendation）(2.2.21)
- 度数关联度（degree_correlation）(1.0.0)
- 三角计数（triangle_count）(1.0.0)
- 聚类系数（cluster_coefficient）(1.0.0)
- 紧密中心度（closeness）(1.0.0)
- 中介中心度算法（betweenness）(2.2.4)
- 边中介中心度（edge_betweenness）(2.2.4)
- OD中介中心度（od_betweenness）（2.2.4）
- 单点环路检测（single_vertex_circles_detection）（2.2.4）
- 带一般过滤条件环路检测（filtered_circle_detection）(2.2.15)
- 子图匹配（subgraph_matching）(2.2.16)
- topicrank算法（topicrank）(2.2.20)
- 动态图分析API
- 路径API
- 图统计API
- 图操作API
- 子图操作API
- Job管理API
- 自定义操作API
- Cypher操作API（2.2.16）
- Filtered-query API(2.2.13)
- Filtered-query V2(2.3.6)
- DSL查询API（2.3.14）
- 通过导入文件更新点边的指定属性(2.2.13)
- 通过读取文件删除点边（2.2.15）
- 运维监控API
-
持久化版
- 持久化版规格说明
- 点操作API
- 边操作API
- 元数据操作API
- 索引操作API
- HyG图管理API
-
HyG算法API
- 执行算法
-
算法API参数参考
- 算法公共参数
- pagerank算法
- personalrank算法（personalrank）
- k核算法（kcore）
- k跳算法（k_hop）
- 点集共同邻居(common_neighbors_of_vertex_sets)
- 最短路径（shortest_path）
- 全最短路（all_shortest_paths）
- 全对最短路径（all_pairs_shortest_paths）
- 单源最短路算法（sssp）
- 点集最短路（shortest_path_of_vertex_sets）
- 点集全最短路（all_shortest_paths_of_vertex_sets）
- 连通分量（connected_component）
- 三角计数算法（triangle_count）
- 紧密中心度算法（closeness）
- 中介中心度算法（betweenness）
- 边中介中心度（edge_betweenness）
- OD中介中心度（od_betweenness）
- 单点环路检测（single_vertex_circles_detection）
- topicrank算法（topicrank）
- louvain算法（louvain）
- Bigclam算法（bigclam）
- Cesna算法（cesna）
- infomap算法（infomap）
- 标签传播算法（label_propagation）
- 子图匹配算法（subgraph matching）
- 关联预测算法（link_prediction）
- n_paths算法（n_paths）
- 聚类系数算法（cluster_coefficient）
- 算法结果TXT格式说明
- 执行DSL算法
- DSL语法说明
- HyG Job管理API
- 原生算法API
- 图统计API
- 图操作API
- Job管理API
- Cypher操作API
- 交互式事务API
- 运维监控API
-
内存版
- 应用示例
- 权限策略和授权项
- 云监控服务监控指标说明
- 历史API
- 附录
- 常见问题
- 视频帮助
- 文档下载
- 通用参考
链接复制成功！
计费样例
计费场景一
某用户于2023/08/08 16:00:00购买了一个按需计费的GES百万边图，用了一段时间后，于2023/08/22 16:00:00删除了图。那么这个图一共产生了多少费用呢？
计费构成分析
在2023/08/08 16:00:00 ~ 2023/08/22 16:00:00期间按照百万边图规格计费，计费单价为6.25元/小时，计费时长为336小时，费用计算如下：
6.25元/小时×336小时 = 2100元
由此可见，该GES图实例总共产生的费用为：2100元。
计费场景二
某用户于2023/08/18 14:00:00购买了一个按需计费的十亿边图，用了一段时间后，用户发现当前规格无法满足业务需要，于2023/08/20 10:00:00进行了扩副本操作，扩充1个副本。2023/08/30 18:00:00,用户删除了图。那么，该图实例总共产生多少费用呢？
计费构成分析
将按需计费分为两个阶段计费，2023/08/18 14:00:00 ~ 2023/08/20 10:00:00是单副本计费，2023/08/20 10:00:00 ~ 2023/08/30 18:00:00是双副本计费。
|
时间 |
2023/08/18 14:00:00 ~ 2023/08/20 10:00:00 |
2023/08/20 10:00:00 ~ 2023/08/30 18:00:00 |
|
副本数 |
1 |
2 |
|
图规格 |
十亿边 |
十亿边 |
|
计费单价 |
60元/小时 |
120元/小时 |
|
计费时长 |
44小时 |
248小时 |
|
费用合计 |
60元×44 = 2640元 |
120元×248 = 29760元 |
综上所述，该图实例共产生的费用为：
2640 + 29760 = 32400元
计费场景三
某公司需要使用图引擎服务GES进行图的存储和查询，使用图规格为千万边，计划使用时间为1个月（30天），该公司想要了解采用哪种计费方式才是性价比最优的方式。
计费构成分析
基于此案例，可详细计算出按需计费和包年/包月两种不同的计费模式的消费期情况。
|
计费模式 |
计算规则 |
付费周期 |
规格单价 |
时长 |
GES产生费用 |
|
按需计费 |
单价×时长 |
按小时收费 |
15元/小时 |
720小时 |
15元×720 = 10800元 |
|
包年/包月 |
按月收费 |
7000元/月 |
1月 |
7000元×1 = 7000元 |
综上所述，使用包年包月的方式将为您节省大量成本，在这种方式下，购买的时长越长优惠越多。
说明：
此案例中的单价仅为示例，且计算出的费用为估算值。单价的变动和实际场景中计算出来的费用可能会有偏差。请以华为云官网发布的数据为准。
当前费用不包括OBS存储空间费用，公网流量费用以及公网带宽费用，具体以相关服务的计费标准为准。
