一、圖計算簡介
1、圖結構數據
許多大數據都是以大規模圖或網絡的形式呈現，如社交網絡、傳染病傳播途徑、交通事故對路網的影響
許多非圖結構的大數據，也常常會被轉換為圖模型后進行分析
圖數據結構很好地表達了數據之間的關聯性
關聯性計算是大數據計算的核心——通過獲得數據的關聯性，可以從噪音很多的海量數據中抽取有用的信息
比如，通過為購物者之間的關系建模，就能很快找到口味相似的用戶，並為之推薦商品
或者在社交網絡中，通過傳播關系發現意見領袖
2、傳統圖計算解決方案的不足之處
很多傳統的圖計算算法都存在以下幾個典型問題：
（1）常常表現出比較差的內存訪問局部性
（2）針對單個頂點的處理工作過少
（3）計算過程中伴隨着並行度的改變
針對大型圖（比如社交網絡和網絡圖）的計算問題，可能的解決方案及其不足之處具體如下：
（1）為特定的圖應用定制相應的分布式實現：通用性不好
（2）基於現有的分布式計算平台進行圖計算：在性能和易用性方面往往無法達到最優
現有的並行計算框架像MapReduce還無法滿足復雜的關聯性計算
MapReduce作為單輸入、兩階段(Map和Reduce)、粗粒度（以數據塊為單位處理）數據並行的分布式計算框架，在表達多迭代、稀疏結構和細粒度數據時，力不從心
比如，有公司利用MapReduce進行社交用戶推薦，對於5000萬注冊用戶，50億關系對，利用10台機器的集群，需要超過10個小時的計算
（3）使用單機的圖算法庫：比如BGL、LEAD、NetworkX、JDSL、Standford GraphBase和FGL等，但是，在可以解決的問題的規模方面具有很大的局限性
（4）使用已有的並行圖計算系統：比如，Parallel BGL和CGM Graph，實現了很多並行圖算法，但是，對大規模分布式系統非常重要的一些方面（比如容錯），無法提供較好的支持
3、圖計算通用軟件
傳統的圖計算解決方案無法解決大型圖的計算問題，因此，就需要設計能夠用來解決這些問題的通用圖計算軟件
針對大型圖的計算，目前通用的圖計算軟件主要包括兩種：
第一種主要是基於遍歷算法的、實時的圖數據庫，如Neo4j、OrientDB、DEX和 Infinite Graph
第二種則是以圖頂點為中心的、基於消息傳遞批處理的並行引擎，如GoldenOrb、Giraph、Pregel和Hama，這些圖處理軟件主要是基於BSP模型實現的並行圖處理系統
一次BSP(Bulk Synchronous Parallel Computing Model，整體同步並行計算模型，又稱“大同步”模型)計算過程包括一系列全局超步（超步就是計算中的一次迭代），每個超步主要包括三個組件：
局部計算：每個參與的處理器都有自身的計算任務，它們只讀取存儲在本地內存中的值，不同處理器的計算任務都是異步並且獨立的
通訊：處理器群相互交換數據，交換的形式是，由一方發起推送(put)和獲取(get)操作
柵欄同步(Barrier Synchronization)：當一個處理器遇到“路障”（或柵欄），會等到其他所有處理器完成它們的計算步驟；每一次同步也是一個超步的完成和下一個超步的開始。
二、Pregel簡介
谷歌公司在2003年到2004年公布了GFS、MapReduce和BigTable，成為后來雲計算和Hadoop項目的重要基石
谷歌在后Hadoop時代的新“三駕馬車”——Caffeine(大規模網頁索引構建，即爬蟲)、Dremel(實時交互式查詢，PB級數據2-3秒即可給出查詢結果)和Pregel，再一次影響着圈子與大數據技術的發展潮流
Pregel是一種基於BSP模型實現的並行圖處理系統
為了解決大型圖的分布式計算問題，Pregel搭建了一套可擴展的、有容錯機制的平台，該平台提供了一套非常靈活的API，可以描述各種各樣的圖計算
Pregel作為分布式圖計算的計算框架，主要用於圖遍歷、最短路徑、PageRank計算等等