Spark GraphX原理介绍

背景

现实应用中，数据内部可能存在较高的关联度，如图模型应用。在对这样的数据进行处理时，并行计算框架就会面临较大的挑战，会引入大量的数据连接（join）和聚合（aggregation）操作，带来大量的计算和数据迁移，严重消耗集群资源，因此对此类算法的优化就显得极为重要。
互联网上网页权值计算的PageRank算法是一个典型的图模型问题，它依据网页之间的链接指向关系来判断网页的重要性，指向一个网页的链接数越多，相应的网页就越重要。PageRank算法可用图模型来处理，如图 3 (a)所示，图中顶点代表互联网上的网页，有向边代表网页之间的链接指向关系。PageRank算法首先进行网页权值的初始化，如图 3 (b)所示。接下来PageRank算法进行图迭代过程，迭代分为两步:
第一步，根据顶点权值生成边的权值，如图 3(c)所示。边的权值计算公式如下：

第二步，根据顶点权值和边的权值计算顶点新的权值，如图 3(d)所示，计算公式如下：

PageRank算法不断重复执行图的迭代过程，直至顶点的权值不再发生变化，各顶点的最终权值便是网页的重要性得分。

图计算框架针