圖技術進入騰飛階段,成功圖分析的核心要素是什麼?

圖在近幾年非常火,圖計算也受到了普遍關注。除了深度學習自身限制和知識圖譜受重視之外,還有諸如基於數據作出準確商業決策等促進因素。隨着萬物互聯,數據爆發帶來了圖數據庫的增長機會,企業對於數據價值的期望越來越高,這也催生了數據庫的變革和創新。與此同時,圖數據庫具有更好、更快速的查詢和分析,更簡單、更自然的數據建模,支持實時更新查詢,且數據結構靈活性等特點,這些使得圖數據庫迎來飛速發展的狀態。

在上一篇《我不鼓勵技術人單獨創業》一文發佈之後,很多同學留言深受啓發,畢竟創業也是天時地利人和的較量。本文“技術篇”繼續採訪了浙江創鄰科技創始人兼CEO張晨老師,就圖數據庫的發展,技術提升,開源根源等問題進行了詳細的介紹,希望對您以及技術選型有幫助。

9月11日深圳ArchSummit全球架構師峯會上,您可以來聽張晨老師分享《圖數據庫測試和選型的方法、標準、結果》話題,面對面交流,互通有無。

InfoQ:圖在近幾年非常火,圖計算也受到普遍的關注。除了數據積累到了一定程度,深度學習自身限制,和知識圖譜受重視之外,您認爲,導致圖計算受到關注的因素還有哪些呢?

張晨:催生圖計算的,是新的數據組織形式,背後實際是新型商業邏輯和業務邏輯的興起。數據只是客觀世界的抽象,推動圖計算成爲不可逆的技術趨勢的是日益關聯密切的商業業態和互聯網世代人們新的生活、工作、通訊、出行、娛樂、消費模式。

正是因爲有了互聯網這樣海量相互鏈接的網頁的興起,Pagerank 這樣的圖算法才發揮出它的光彩。正是因爲有了淘寶這樣連接大量買家、賣家和商品的平臺,才催生了商品知識圖譜、用戶畫像的技術需求(興趣圖、交易圖);正是有 Uber、滴滴這樣的通過建立車主和出行者的網絡提升整個社會出行效率的公司,才催生了對人、車、地點這樣的實時、動態、移動的數據組成的網絡進行高效計算、匹配的需求(移動圖);正是因爲有了社交營銷這種個人利用自己在社交網絡中的影響力爲賣家、品牌商帶來巨大流量和轉化的商業模式,才催生了基於社交網絡分析的MarTech 需求(社交圖)。圍繞着前述這些龐大網絡體系構建的商業模式和邏輯會伴隨產生大量密集關聯的數據,而要基於這些數據做出迅速並準確的商業決策就需要有處理這些數據的能力。

從更大的層面來說,社會作爲一個複雜系統,隨着它的發展,其內部系統的複雜度必然會增加,比如,交通網絡、物流網絡、通訊網絡必然越來越龐大密集,隨之產生的人流、物流、資金流、信息流也會越來越龐大、複雜。這個過程中,會產生、積累的海量的圖結構的(graph-structured)數據。理解、分析這些圖數據的能力將成爲企業未來最核心的競爭力,而理解分析圖數據就需要運用圖計算。就如阿里巴巴前總參謀長曾鳴教授提出的 “智能商業雙螺旋”模型一樣:未來有競爭力的企業都必然具備“網絡協同”與“數據智能”的雙螺旋DNA,二者相互影響、相互迭代、螺旋式上升。商業場景中多角色多場景的網絡協同,必然產生反映這些網絡協同的密集關聯的圖數據,從需求端牽引圖計算技術的發展。

同時,隨着社會及商業節奏的加快,大家對數據處理的速度和時效要求也越來越高,而傳統數據庫技術又無法滿足複雜關聯數據的實時查詢、計算需求,自然而然的就會催生圖數據庫、圖分析引擎這樣專門爲高效存儲、查詢、計算複雜關聯數據而設計並優化的技術。

InfoQ:如果按照萌芽期、發展期、成熟期、泡沫期幾個階段來分的話,您認爲圖計算處於哪一階段?您是怎麼看待圖計算當前的發展階段?

張晨:把圖數據庫和圖計算當成廣義的圖技術的話,圖技術肯定是度過了萌芽期,進入了快速發展期,但尚未到達成熟期。

爲什麼說還沒到成熟期呢?從需求端來說,市場上熟知圖技術的企業還非常少,從整個數據庫市場來看,只有不到2%的用戶使用了圖數據庫,使用圖計算的就更少了。目前市場的主要圖數據庫用戶還是集中在全球五百強企業這樣的大企業中,一方面是因爲他們的數據體量和複雜度更高,所以對圖技術的需求更早更強烈;另一方面,這些公司有足夠的資源嘗試新技術,是技術應用中的創新者。市場遠沒有到早期大衆使用圖數據庫的階段。從供給端來說,雖然市場上各種圖數據庫產品(開源和非開源的)不少,但是真正的原生圖數據庫產品並不多,大多是因爲歷史原因從老的技術方案上嫁接圖處理能力的“折中方案”,成熟的商業化原生圖數據庫產品和圖計算產品更是屈指可數。各個產品之間也各有優劣,完善的平臺型產品尚未誕生。

另一方面,圖技術在過去五年確實經歷了飛速發展,到了爆發式增長的邊緣。據全球知名的數據庫流行度排行榜網站 DB-Engines 統計,圖數據庫是過去五年所有數據庫類型中受歡迎程度增長最快的;數據庫頂尖大會 VLDB 中圖數據庫的相關論文投稿數逐年上升,由此可見該技術已經逐漸進入了業界主流視野。Gartner 預計2022 年之前全球圖處理及圖數據庫市場將以每年 100% 的速度迅猛增長,2020 年保守估計將達到 80 億美元。近年一些國內外新興的圖數據庫初創企業融資規模達到數千萬美元級別。這些都是明確的信號,市場對圖技術的認知程度和需求在上升。去年 Cypher 圖查詢語言已經正式進入 ISO 標準,行業標準的出現也是技術成熟化的一個標誌。

作爲技術提供商來說,現在肯定是最好的階段。需求端市場已經被先行者初步教育,技術的商業化價值被逐步驗證,需求在上升;從競爭市場來看,競爭對手相對較少或者說供給能力尚無法滿足龐大的市場需求,在很多細分行業,市場尚處於藍海。現在是做圖技術及其上層應用最好的歷史時機。

InfoQ:當前圖數據庫產品極大豐富,出現幾家具有壟斷性地位的玩家,性能和功能全面提升。您認爲,是不是需要針對用戶的不同需求,提供不同能力的數據產品?例如在查詢上很強的功能,或者在圖分析引擎上很強的產品?

張晨:壟斷通常發生在技術進入大衆市場,衆多在高速發展期冒出來的供應商逐漸被市場淘汰,留下少數綜合能力強悍的生存者的階段。圖技術目前尚未進入大衆市場,所以,以現階段市場的成熟度和技術普及程度而言,談壟斷尚早。

確實有性能和功能全面提升的圖數據庫產品面世,創鄰的 Galaxybase 也是其中一款,但是最終市場會留下哪一家,我認爲讓子彈先飛一會兒——至少需要飛五年以上的時間。

技術的發展說到底是被需求推動的,我認爲在圖數據庫進入大衆市場之前,技術聚合會是趨勢。因爲對大部分用戶而言,技術使用場景中單維度的極值需求相對較少,80%的用戶需求以共性的20%的系統功能/性能就能完成,更重要的是系統端到端的的綜合服務能力。

在最早的時候,圖技術當中負責存儲查詢的數據庫技術和複雜分析計算的圖分析引擎其實是兩個獨立發展的技術線,是隨着用戶對一體化解決方案的需求的提升,開始逐步出現了技術融合的趨勢。比如圖數據庫如果僅具備存儲及查詢能力,還需要依賴外部的 GraphX、Giraph 這樣的圖計算引擎才能完成算法分析,ETL 的成本就太高了。雖然看到不少數據庫產品開始提供算法模塊支持圖計算,近年甚至出現了一體化圖平臺的產品形態,同時提供圖查詢、圖計算、圖可視化等能力。但當前,這樣成熟的商業化圖平臺產品還非常少。創鄰的 Galaxybase 也在往這個方向努力。

長遠來說,隨着市場技術成熟度提高、競爭逐漸激烈,肯定會需要產品差異化競爭來更好的服務細分市場,誰能更好的滿足剩下20%的個性化需求誰就能更好的生存。那時候肯定會出現專門針對細分市場用戶需求而優化的圖技術產品,可能某些圖平臺會更往分析和推理端的能力做延展,有的圖平臺會更加往極限條件下極速的數據增刪查改能力上做延展。當然,不排除現階段有的圖數據庫創業公司直接從細分市場做起。不同的發展路線,都有成功的可能。

InfoQ:創鄰科技有非常多的客戶,那麼從應用層面來看圖數據庫,目前它還存在哪些急需解決的問題?

張晨:圖數據庫從應用層面來看要發揮它的價值,確實還存在一些急需解決的問題:

第一個問題就是數據問題,圖技術的價值在於它能聯通多源數據的能力。而一個數據集當中能夠挖掘的價值取決於這個數據集中孤立數據點之間能夠建立的鏈接的密度。要讓數據鏈接,首先要能打破現有企業內部部門間以及企業和企業間的數據壁壘。這個在很多行業和場景下,還很難做到。比如金融裏面團伙欺詐、騙保騙貸、洗錢等等,其實線索都在分散的各個金融體系裏面,擁有了圖技術,把這些分散的信號連接起來構建全局認知,挖掘詐騙團伙並不難,但現實情況往往是因爲政策、合規、歷史遺留等各種原因企業內部和企業間的數據很難被打通,這限制了圖技術能發揮的價值。

第二個問題是,目前市場尚在起步階段,用戶教育還不夠,很多用戶有想法要打通數據孤島、做數據連接,但往往無法提出明確的需求,導致圖技術商業落地比較慢。只有客戶能夠明確的知道自己想要解決什麼具體的業務問題,並依此梳理業務數據,將業務問題映射成圖模型,圖數據庫技術才能發揮他的用武之地。

第三個問題,市場上同時具備圖數據庫處理能力和業務理解能力的複合型人才的缺口很大。目前國內大部分客戶想要的還是端到端的解決方案,這個單靠圖數據庫公司很難完成。用戶最終能理解、能直觀感受到價值的還是基於圖數據庫的行業解決方案。比如前兩年知識圖譜火起來了,這兩年我們就開始逐漸感受到來自知識圖譜服務商對圖數據庫的需求,他們之前使用 Neo4j,隨着圖譜的增大,開始感受到性能的瓶頸,需要更好的技術解決方案。其實還有更多的領域需要這樣的“中間人”,因爲圖數據庫的應用場景實在太多了,很希望更多的人才一起來“大展宏圖”。

InfoQ:圖計算的核心在於做好圖分析,那麼如何做好圖分析?基於您的經驗,有哪些關鍵點?

張晨:要做好圖分析主要有兩個方面的要素:商業和技術。

商業上,要定義清楚圖分析要解決的具體問題,並圍繞這個目的組織好人力、硬件以及數據資源。圖分析的最終目的是爲了通過數據洞察創造商業價值,這一過程涉及到業務理解、需求抽象、數據的遷移與融合、圖模型設計與迭代、圖算法實現與迭代,以及最終對分析結果的理解與應用,絕不是單純的技術問題,需要技術與業務人員的通力合作。如果商業目標不明確或者目標本身是錯誤的,那麼再好的技術也很難發揮價值。如果目標定義清晰了,技術與業務人員之間的溝通不暢,相互不能理解對方在說什麼,那麼也很難將需求正確的抽象成數據模型,並實施合適的算法。即使正確的將需求抽象成了合適的圖模型和算法,如果企業內外部的組織壁壘不能打通,必要的數據沒法灌入模型中,那麼圖結構無法完整,最後的分析結果也很難準確。

所以說:明確的商業目標,業務與技術的跨部門協作,以及數據壁壘的打通,是做好圖分析必不可少的關鍵要素。

技術上,關鍵是要依據需要解決的商業問題做好技術選型。這裏涉及很多因素,比如:這個圖分析的實效要求高嗎?數據規模是多大?是查詢任務多還是計算任務多?是否涉及全圖算法?併發性要求如何?計算結果需要持久化或反覆更新/多次調用嗎?有數據交互需求嗎?數據增量的規模和需求是什麼?圖分析的執行者是誰?服務對象是誰?工欲善其事,必先利其器,選擇合適的技術方案,圖分析的任務就成功了一半,反之則可能事倍功半。

  • 如果是查詢任務多、時效性要求又高,那麼圖數據庫是合適的選擇;
  • 如果是涉及全圖計算的計算任務多、而時效性要求不高,那麼圖計算引擎是合適的選擇;
  • 如果對分析結果要求持久化或者反覆迭代,那麼技術架構中至少應該包含圖數據庫的部分,可以是“存儲+計算“的混合架構;
  • 選擇了合適的技術架構以後,還要考慮具體技術產品的讀寫性能、高併發性能、數據導入/導出性能等各方面性能是否滿足場景需求;
  • 如果數據及數據增量都很大,還要考慮技術方案是否是分佈式架構的,以及數據壓縮情況如何;
  • 如果圖分析的服務對象是其他業務系統,那麼圖分析產品的可封裝服務能力就很重要;
  • 最後,如果圖分析的執行者不是程序員而是業務員,那麼技術棧中是否存在易用的可視化分析工具、是否有開箱即用的算法庫等性能之外的輔助功能因素就很重要。

InfoQ:目前國內外都有公司在研發圖數據庫,那麼如何打出差異化?您有沒有特別的觀點?

張晨:圖數據庫產品目前分幾類,一類是像 Neo4j 這樣的原生圖數據庫,它的優點是深鏈查詢性能好,但擴展性不夠,也無法高效做離線分析;另一類,是像 JanusGraph這樣其他存儲類型上做了圖查詢層的圖數據庫,因爲他們大多基於擴展性良好的 NoSQL store,擴展性上有很大提升,但在圖查詢性能和深度上卻遠不及原生圖數據庫。還有一類是傳統 RDF store,它們問題是無法很好的支持複雜屬性圖模型,同時查詢性能會隨數據增加而降低。

創鄰的 Galaxybase 是一款原生的分佈式並行圖數據庫。這意味着其兼具原生圖數據庫的深鏈關聯查詢性能和分佈式圖數據庫的數據延展性。實際上,在大數據量下,Galaxybase 的深鏈(>3度)查詢性能比 Neo4j 這樣的一代原生圖數據庫有一至兩個數量級的性能優勢。同時,Galaxybase 還支持大多數非原生圖平臺不支持的實時圖分析,這意味着對數據庫更新可以與數據庫上的其他查詢、計算同時進行,並能快速完成。以金融領域爲例,Galaxybase 支持把不同來源的數據實時插入圖數據庫組網,實時計算多度關聯風險,毫秒級完成欺詐甄別,實現信用卡秒批及支付前欺詐攔截。

在產品層面,Galaxybase 非常注重易用性。圖數據庫技術要跳躍早期使用者和大衆市場之間的鴻溝,在圖數據庫人才大量缺乏的情況下,易用性是一個關鍵要素。所以 Galaxybase 做爲一款數據庫產品卻集成了非常強大的可視化工具,完全不懂圖技術的人員也能輕易的在可視化視窗通過拖拽完成從數據清洗、數據遷移、模型構建、數據導入、數據查詢、執行算法到可視化交互分析的全鏈條數據處理任務,極大降低了系統使用門檻,讓用戶可以專注在自身業務邏輯而非技術實現上。客戶甚至可以直接把 Galaxybase 的可視化界面集成到他們的數據服務平臺提供對外服務。

相比開源產品,Galaxybase 做了很多系統的安全性和健壯性的工作,比如支持高可用、冷備、熱備,比如完善的管理員體系和用戶權限系統。管理員可以在可視化運維管理界面監控機器佔用資源的情況、查看詳盡的日誌、以及管理用戶權限。我們擁有完備的數據庫及數據權限系統,還同時支持用戶自定義角色及其權限,服務用戶定製化的權限管理需求。如果系統宕機或使用中出錯,Galaxybase 也能在後臺清楚地收集信息反饋給管理員,而無需終端用戶重新收集。

作爲一款全自主研發的國產圖數據庫,Galaxybase還有國際同類產品不具備的對國產芯片及硬件的支持。Galaxybase 同時支持飛騰、鯤鵬、申威、兆芯等國產 CPU 和中標麒麟、銀河麒麟等國產操作系統。

最後,Galaxybase 也看到了圖數據庫與雲計算結合的趨勢。今年,創鄰將發佈 Galaxybase Cloud,讓數據已經在雲上的客戶可以直接在雲上使用創鄰的高擴展、高性能、極易用的圖數據庫產品,未來也將允許現有私有化部署的客戶一鍵上雲。雲計算以及 pay per use 的收費模式,將爲更多想利用圖技術實現可解釋的AI的中小客戶提供便利、可負擔的解決方案。

InfoQ:Neo4j 的發展是趕上了開源軟件的黃金期;Tigergraph 後來也選擇開源其 TigerGraph GSQL 圖數據庫算法庫。這些都是商業模式觸發的動作,那麼創鄰科技在開源上,有哪些措施呢?

張晨:TigerGraph 選擇開源 GSQL 的算法庫,背後的商業邏輯在於對於廣大被 Neo4j、JaunusGraph 等開源軟件教育起來的圖數據庫用戶羣體來說,TigerGraph 開發的 GSQL 還是一個相當小衆圖查詢語言,學習成本和應用壁壘很高,將基於 GSQL 實現的算法開源可以一定程度降低用戶的應用壁壘,從而促進用戶使用 TigerGraph 的意願。

開源與否,是一個複雜的商業決定,不是爲了開源而開源。在產品開發初期,開源確實可以爭奪優質的開發資源,幫助儘快完善產品。但是對於已經具備市場相對競爭力的成熟的商業化產品來說,開源帶來的開發者優勢就不存在了,反而會給競爭者提供便利,這也是爲什麼 Neo4j 選擇閉源他的企業版本,而 TigerGraph 僅僅開源了應用級別的算法、並未開源數據庫的原因。

從商業的本質來說,開源的動機最終還是通過降低邊際成本夠低的部分產品(軟件),吸引用戶購買與其互補的產品(服務),最終通過互補品實現收益最大化。這裏就要提到國內外的差異了,國外估值高的幾家開源企業都是開源技術產品、再通過雲託管的方式盈利。而國內,擁有大量關聯數據的公司分成兩類:一類企業是互聯網企業,他們通常具備相當的開發實力,要麼自己開發針對自己特定業務場景需求的基礎技術,要麼拿開源的基礎技術產品過來改改自己做 add-on,開源模式從這類企業手裏賺錢非常難;另一類是相對傳統的大企業,比如銀行、電信、能源、公安、政府部門,因爲政策監管和各種原因,大都不能或不願意將數據放到共有云上,基本都是私有云部署。那麼開源軟件 + 雲託管的盈利模式對他們也行不通。所以,個人認爲在圖數據庫這種 ToB 的底層技術領域,開源這種商業模式在國內變現會比較艱難。

放眼國際,遍觀美國成功的開源項目,都有一個共同點:就是單一的商業化公司去主導一個開源項目的發展。而實際上一旦一個開源項目的成熟社區成形了,相應網絡效應也將隨之形成,同一個技術類型下,很難再出第二個社區。這就像有了微信,在熟人社交通訊這裏個領域,今天面對同樣的客羣很難再出第二個同樣成功的產品是一樣的道理。

圖數據庫技術發展到今天,Neo4j、JanusGraph 等老牌圖數據庫廠商都已形成非常成熟且完善的社區生態,在單機及分佈式圖數據庫領域各有山頭。所以,創鄰從一開始就選擇了跟現有開源生態兼容的戰略路線。Galaxybase 完全兼容 Neo4j,支持 Cypher、Gremlin 和 SPARQL 查詢語言及編程接口,提供 Neo4j 和 JanusGraph 的 converter 幫助用戶直接將已經在這些系統中構建的線上圖譜導入 Galaxybase 的系統開始使用,讓他們可以輕鬆的從現有的開源生態無縫遷移過來。當用戶使用了像 Neo4j、JanusGraph 這樣的產品,感覺到性能瓶頸以及缺乏專業化技術服務與支持的痛點的時候,就非常適合來找創鄰科技。從這個角度來說,現有開源生態裏的產品也在爲創鄰產品引流。

InfoQ:圖計算方興未艾,但還有尚未攻破的難點,比如超級頂點問題、OLTP 和 OLAP 融合問題、圖劃分、流式圖數據處理等。您認爲這難點會在什麼條件下解決?您預測未來圖數據庫的發展會走向什麼方向?

張晨:這裏提到的難點,圖分割、動態均衡、超級點等問題都可以被優化,既可以從算法上,也可以從工程上入手。創鄰在這些方面也做了不少的研究,並取得了不錯的成果。比如,Galaxybase 支持自適應圖分割算法,解決了在靜態和動態條件下自動將大圖分割成多張子圖均衡的存在分佈式數據存儲節點的問題。圖的切分不僅僅關係到數據去中心化的合理分佈,也影響着查詢和計算的效率。在碰到超級節點的時候,Galaxybase 使用的混合優化分割辦法,會自動計算並動態平衡數據,讓超級節點與其一度鄰居儘可能存儲在同一物理節點,降低計算與查詢時建立網絡連接和數據傳輸的成本,使得超級節點不再成爲查詢和計算的致命瓶頸。

OLTP 和 OLAP 的融合不是一個單純的技術問題。OLTP 強調的是實時性、數據一致性和高併發處理能力;OLAP 沒有很強的實時要求,強調的是計算的效率。圖數據庫一般用來支持 OLTP,圖計算引擎一般用來支持 OLAP。它們分別爲底層的數據任務做了不同的調度和優化,這些設計和優化的決策很多情況下“魚與熊掌”很難兼得。未來隨着算法研究的深入,尤其是以“節點-邊”這種原生圖爲基礎數據存儲表達形式、以分佈式並行處理爲計算任務執行方式的圖算法重構和優化的推進,越來越多的算法將可以被 OLTP 圖數據庫所支持,OLTP 和 OLAP 將有機會進一步融合。

未來圖數據庫的發展,不論是底層技術還是上層應用上,都有很多種可能。我的判斷是,從技術上,圖數據庫的發展會有兩個趨勢,一個是前面提到的 OLTP 和 OLAP 的進一步融合,另一個是將出現具備時序數據處理能力的圖數據庫。5G以及 IoT 的興起催生了大量的時序數據,這些數據蘊藏着豐富的人、設備、車輛等的流動變化的關聯數據。要基於這些流動變化的關聯數據作出實時精準的商業決策,就需要底層的數據存儲與計算能力的支撐。所以,未來會需要圖數據庫能夠更好的支持空間、時間維度的數據查詢和處理。

從應用上,我認爲圖數據庫會成爲未來人類智慧的“新基建”。前人的研究表明,網絡價值取決於網絡中可以建立的連接的數量。同理,數據要發揮它的最大價值,一定要打通數據間的連通性。圖數據庫作爲高效聯通孤立數據的技術,是引爆數據價值的關鍵要素。認知的基礎是知識,而創新的來源是跨知識點之間的連接。可以想象,隨着區塊鏈等技術的發展、數據確權及相關政策法規的成熟,未來圖數據庫發揮價值的一種形態是通過技術與數據結合將龐大知識圖譜及基於它的認知計算能力作爲基礎設施服務提供給多方調用和查詢,又通過多方的使用反饋進一步完善系統本身。在未來的商業中,知識也會像今天的水電煤一樣隨用隨取,用戶無需再關心底層到底是哪一種數據庫,用的是什麼計算引擎,只需專注於查詢和調用自己需要的知識並將知識推理的結果運用於當前的業務場景創造商業價值就好。

【活動推薦】

張晨,浙江創鄰科技創始人兼 CEO,加拿大滑鐵盧大學計算機科學博士、麥吉爾大學計算機科學博士後。人社部 2017 年度“中國留學生回國創業啓動支持計劃”重點類項目人才之一,浙江省千人計劃專家,杭州市全球引才“521”計劃專家,浙江省錢江人才計劃、杭州市西湖區 325 海外引才計劃 A 類項目人才,浙商青雲榜 30 強。研究方向集中在分佈式圖數據庫領域。

ArchSummit 全球架構師峯會(深圳站)2020 將在 9 月 11 日召開,屆時張晨老師會全面分享圖數據庫選型的標準、方法和結果,涵蓋了多款主要圖數據庫,並結合應用場景,舉例說明選型的重要性和建議的解決方案。

目前大會 8 折購票,限時立減 1760 元,查看更多大會詳情可掃碼下圖二維碼或點擊【閱讀原文】,報名諮詢票務經理 Ring:17310043226(同微信)

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章