当图所需的数据超过了ArangoDB当个实例的上限时，就需要考虑扩展。但是，通过集群对图进行分片（Sharding）会带来新的问题。
使用标准图时，遍历可能涉及数据库服务器之间的许多网络跳跃， 必然导致性能会变差。
SmartGraphs 和 Disjoint SmartGraphs 通过优化分片之间的数据分布来解决这个问题，减少了需要在网络上跳跃到其他服务器的边数量。
普通图扩展
ArangoDB社区版可以在单个实例上处理大型数据集，垂直扩展（vertically）,也可以水平(horizontally)扩展到集群。但是，在水平扩展时，你可能遇到性能问题。
想象一下，你要处理一个大型数据集的图，例如在物联网、金融、通信、医疗健康等应用程序中的数据。 在这种规模的图上遍历，涉及几十亿甚至更大规模的顶点，这种体量的数据已经无法存储在单台机器上，只要一条边涉及跨机器，网络传输就成了性能瓶颈。在网络上不同机器之间的跳数越多，网络延时越大，最终在某一个临界点，性能会不可忍受。
图：不使用SmartGraphs时，三台机器上的图分片
SmartGraphs图扩展
ArangoDB企业版提供的SmartGraphs特性，用于解决上述网络延时问题。
图本身对自己的结构一无所知，但你的应用对图却有很多认识。在许多数据集中，存在内部高度互联的社群，但这些社群之间的联系很少。 例如，某个数据集涵盖你的客户、区域等信息，加上应用层的某些业务逻辑，这些都可以引导集群上如何对数据分片。
图：三台机器用SmartGraphs做分片后
例如，你的主要查询客户ID，区域，利用这些应用层的知识，可以将高度互联的社群分片到某个数据库实例上。
通过优化数据的分布，SmartGraphs 减少了遍历所需的网络跳数。根据官方内部测试显示，在遍历分片图时性能提升了 40-120倍。
Disjoint SmartGraphs
对于某些用例，可以使用 Disjoint SmartGraphs 进一步优化。 Disjoint SmartGraphs 是针对大型层次图的优化。 在这种情况下，图形数据集中有明显分支。
Disjoint SmartGraphs 会启用这些分支的自动分片并禁止连接它们的边。 这就让查询优化器将整个查询下推到每个 DBserver，并大大提高图查询的性能，如图遍历、模式匹配、最短路径和k最短路径。
