背景：以下来自Graph Databases一书，其中涵盖了Neo4j in Action一书中提到的性能测试：

图中的关系自然形成路径。查询或遍历图形涉及以下路径。由于数据模型从根本上面向路径的性质，大多数基于路径的图形数据库操作与数据的布局方式高度一致，因此非常高效。在他们的《Neo4j in Action》一书中，Partner 和 Vukotic 使用关系存储和 Neo4j 进行了实验。

比较表明，对于连接数据，图形数据库比关系存储要快得多。Partner 和 Vukotic 的实验试图在社交网络中找到朋友的朋友，最大深度为 5。给定随机选择的任意两个人，是否有一条连接他们的路径最多有五个关系长？对于一个包含 1,000,000 人的社交网络，每个人大约有 50 个朋友，结果强烈表明图形数据库是连接数据的最佳选择，如表 2-1 所示。

表 2-1。在关系数据库中查找扩展朋友与在 Neo4j 中高效查找

Depth   RDBMS Execution time (s)    Neo4j Execution time (s)     Records returned
2       0.016                       0.01                         ~2500    
3       30.267                      0.168                        ~110,000 
4       1543.505                    1.359                        ~600,000 
5       Unfinished                  2.132                        ~800,000

在深度 2（朋友的朋友）中，关系数据库和图形数据库的表现都足够好，我们可以考虑在在线系统中使用它们。虽然 Neo4j 查询的运行时间是关系查询的三分之二，但最终用户几乎不会注意到两者之间的毫秒差异。然而，当我们到达深度三（friend-of-friend-of-friend）时，很明显关系数据库无法再在合理的时间范围内处理查询：完成所需的 30 秒将是完全不可接受的对于在线系统。相比之下，Neo4j 的响应时间保持相对平稳：执行查询只需几分之一秒——对于在线系统来说绝对足够快。

在深度 4，关系数据库表现出严重的延迟，使其对在线系统几乎毫无用处。Neo4j 的时序也有所恶化，但这里的延迟对于响应式在线系统来说是可以接受的。最后，在深度 5 中，关系数据库完成查询所需的时间太长。相比之下，Neo4j 在大约两秒内返回结果。在深度 5 中，几乎整个网络都是我们的朋友：对于许多现实世界的用例，我们可能会调整结果和时间。

问题是：

• 这是一个合理的测试来模仿除了在社交网络中找到的东西吗？（意思是真正的社交网络通常有大约 50 个朋友的节点；似乎“富变得更富有”的模型对于社交网络来说更自然，尽管可能是错误的。）
• 不管仿真的自然性如何，是否有理由相信结果是错误的或不可重现的？