DiskBackedPartition

为什么开发DiskBackedPartition？

默认的Partition的实现是SimplePartition，它用一个ConcurrentMap> vertexMap;存储本partition的vertex id和vertex的映射信息，所有的信息都在内存里。当数据量大时，会出现OOM。

DiskBackedPartition是一种大数据量的实现。主要目的是借助本地文件系统，如果本Partition的数据较多，则序列化到磁盘。序列化之后则释放内存，为接收其他数据做准备。

DiskBackedPartition的数据接收接口

DiskBackedPartition也用Map> vertexMap;存储数据。

• vertexMap数据合并
  有新的数据到达时，会依次判断到达的顶点，判断vertexMap是否已经有此顶点，如果有，则合并value和edges。如果没有则，把此vertex放到vertexMap。
• 按边判断
  为了防止超级顶点造成内存溢出问题，不按顶点的数量进行判断是否数据量过多，而是按vertexMap中所有vertex的边的数量判断。超过设定的阈值时，把
• 按vertex id的顺序序列化
  但是当vertexMap数据量过多时，把整个vertexMap按vertex id有序的方式，存储到本地的文件中。然后对vertexMap进行重新初始化，用于接新的数据。
• 每个Vertex存储的信息

vertex id;//顶点的id
value; // 顶点的值
outedges; //边的信息
halt; //是否停止的标志

• 文件合并
  数据加载完之后，会存在几个序列化的文件。这几个文件的内部都是按vertex id有序。并且一个顶点的信息可能被序列化到几个文件中。需要对数据进行合并。合并时，需要对vertex id相同的顶点进行合并成一个顶点。并且合并之后的顶点按vertex id有序。

迭代计算的输入数据，输出数据

合并之后，作为superstep0的输入，superstep0的对每个vertex的输出，保存在一个输出文件里。superstep0结束之后，关闭输出文件。superstep1开始计算时，superstep0的输出文件作为superstep1的输入。以此类推。

顶点和边的分离

如果顶点加载之后，顶点的边的信息不变，则可以不用每次都把边的信息重复的存储一遍。增加EDGES_IMMUTABLE变量，当EDGES_IMMUTABLE为true时，则把边信息存储在单独的文件中，则每轮计算都从边文件读取，运算时，不需要保存边的信息。如果边的值每轮计算可能变化，则边信息还是不能作为不变的文件为各超级步使用。但是可以考虑像顶点文件一样，每一轮superstep的运算都有单独的边的输入输出文件。