Cambios

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "A Diaz-Perez, A Garcia-Robledo, JL Gonzalez-Compean", 
2
  "author": "A Diaz-Perez, A Garcia-Robledo, JL Gonzalez-Compean", 
            
3
  "author_email": null, 
3
  "author_email": null, 
            
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
            
5
  "extras": [
5
  "extras": [
            
6
    {
6
    {
            
7
      "key": "Publicaci\u00f3n", 
7
      "key": "Publicaci\u00f3n", 
            
8
      "value": "Cap\u00edtulo"
8
      "value": "Cap\u00edtulo"
            
9
    }, 
9
    }, 
            
10
    {
10
    {
            
11
      "key": "Tipo", 
11
      "key": "Tipo", 
            
12
      "value": "Publicaci\u00f3n"
12
      "value": "Publicaci\u00f3n"
            
13
    }
13
    }
            
14
  ], 
14
  ], 
            
15
  "groups": [
15
  "groups": [
            
16
    {
16
    {
            
17
      "description": "Este grupo integra las publicaciones 
17
      "description": "Este grupo integra las publicaciones 
            
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
            
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
            
20
presentados en congresos nacionales e internacionales, manuscritos en 
20
presentados en congresos nacionales e internacionales, manuscritos en 
            
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
            
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
            
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
            
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
            
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
            
26
      "display_name": "Publicaciones", 
26
      "display_name": "Publicaciones", 
            
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
            
28
      "image_display_url": "", 
28
      "image_display_url": "", 
            
29
      "name": "publicaciones", 
29
      "name": "publicaciones", 
            
30
      "title": "Publicaciones"
30
      "title": "Publicaciones"
            
31
    }
31
    }
            
32
  ], 
32
  ], 
            
33
  "id": "7d26b887-9381-4f45-829b-4fb6ac60a43c", 
33
  "id": "7d26b887-9381-4f45-829b-4fb6ac60a43c", 
            
34
  "isopen": false, 
34
  "isopen": false, 
            
35
  "license_id": null, 
35
  "license_id": null, 
            
36
  "license_title": null, 
36
  "license_title": null, 
            
37
  "maintainer": null, 
37
  "maintainer": null, 
            
38
  "maintainer_email": null, 
38
  "maintainer_email": null, 
            
39
  "metadata_created": "2025-10-10T07:19:44.700180", 
39
  "metadata_created": "2025-10-10T07:19:44.700180", 
            
n
40
  "metadata_modified": "2025-10-10T07:19:53.652899", 
n
40
  "metadata_modified": "2025-10-10T07:19:54.163853", 
            
41
  "name": "graph-processing-frameworks-ad71c87a39c0", 
41
  "name": "graph-processing-frameworks-ad71c87a39c0", 
            
42
  "notes": "This chapter provides a comprehensive overview of Graph 
42
  "notes": "This chapter provides a comprehensive overview of Graph 
            
43
Processing Frameworks (GPFs), which are software systems designed to 
43
Processing Frameworks (GPFs), which are software systems designed to 
            
44
efficiently process large-scale graphs across distributed and parallel 
44
efficiently process large-scale graphs across distributed and parallel 
            
45
computing environments. It begins by defining GPFs as toolsets for 
45
computing environments. It begins by defining GPFs as toolsets for 
            
46
representing data as vertices and edges, emphasizing their role in 
46
representing data as vertices and edges, emphasizing their role in 
            
47
managing the three challenges of big data\u2014volume, velocity, and 
47
managing the three challenges of big data\u2014volume, velocity, and 
            
48
variety. The chapter classifies GPFs along four major dimensions: 
48
variety. The chapter classifies GPFs along four major dimensions: 
            
49
target platform, computation model, graph processing approach, and 
49
target platform, computation model, graph processing approach, and 
            
50
communication model. It reviews key frameworks\u2014such as Surfer, 
50
communication model. It reviews key frameworks\u2014such as Surfer, 
            
51
Pegasus, GBase, Pregel, GraphX, Giraph, Gelly, GraphLab, GraphChi, and 
51
Pegasus, GBase, Pregel, GraphX, Giraph, Gelly, GraphLab, GraphChi, and 
            
52
Totem\u2014covering their underlying architectures, data abstractions, 
52
Totem\u2014covering their underlying architectures, data abstractions, 
            
53
and parallelization strategies, including MapReduce, Bulk Synchronous 
53
and parallelization strategies, including MapReduce, Bulk Synchronous 
            
54
Parallel (BSP), and Gather-Apply-Scatter (GAS) models. A practical 
54
Parallel (BSP), and Gather-Apply-Scatter (GAS) models. A practical 
            
55
example using Apache Flink\u2019s Gelly demonstrates how GPF APIs can 
55
example using Apache Flink\u2019s Gelly demonstrates how GPF APIs can 
            
56
be applied to compute the degree distribution of a large social 
56
be applied to compute the degree distribution of a large social 
            
57
network, highlighting performance scalability with multicore systems. 
57
network, highlighting performance scalability with multicore systems. 
            
58
The chapter concludes by discussing future research directions, 
58
The chapter concludes by discussing future research directions, 
            
59
including graph partitioning in heterogeneous (CPU\u2013GPU) 
59
including graph partitioning in heterogeneous (CPU\u2013GPU) 
            
60
environments, the need for standardized benchmarks, and challenges in 
60
environments, the need for standardized benchmarks, and challenges in 
            
61
performance evaluation and algorithmic efficiency. Overall, it 
61
performance evaluation and algorithmic efficiency. Overall, it 
            
62
situates GPFs as essential infrastructures for large-scale graph 
62
situates GPFs as essential infrastructures for large-scale graph 
            
63
analytics in domains such as social networks, bioinformatics, and 
63
analytics in domains such as social networks, bioinformatics, and 
            
64
cybersecurity.", 
64
cybersecurity.", 
            
n
65
  "num_resources": 1, 
n
65
  "num_resources": 2, 
            
66
  "num_tags": 6, 
66
  "num_tags": 6, 
            
67
  "organization": {
67
  "organization": {
            
68
    "approval_status": "approved", 
68
    "approval_status": "approved", 
            
69
    "created": "2022-05-19T00:10:30.480393", 
69
    "created": "2022-05-19T00:10:30.480393", 
            
70
    "description": "Observatorio Metropolitano CentroGeo", 
70
    "description": "Observatorio Metropolitano CentroGeo", 
            
71
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
71
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
72
    "image_url": 
72
    "image_url": 
            
73
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
73
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
74
    "is_organization": true, 
74
    "is_organization": true, 
            
75
    "name": "observatorio-metropolitano-centrogeo", 
75
    "name": "observatorio-metropolitano-centrogeo", 
            
76
    "state": "active", 
76
    "state": "active", 
            
77
    "title": "Observatorio Metropolitano CentroGeo", 
77
    "title": "Observatorio Metropolitano CentroGeo", 
            
78
    "type": "organization"
78
    "type": "organization"
            
79
  }, 
79
  }, 
            
80
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
80
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
81
  "private": false, 
81
  "private": false, 
            
82
  "relationships_as_object": [], 
82
  "relationships_as_object": [], 
            
83
  "relationships_as_subject": [], 
83
  "relationships_as_subject": [], 
            
84
  "resources": [
84
  "resources": [
            
85
    {
85
    {
            
86
      "cache_last_updated": null, 
86
      "cache_last_updated": null, 
            
87
      "cache_url": null, 
87
      "cache_url": null, 
            
88
      "created": "2025-10-10T07:19:45.183144", 
88
      "created": "2025-10-10T07:19:45.183144", 
            
89
      "datastore_active": false, 
89
      "datastore_active": false, 
            
90
      "description": "This chapter provides a comprehensive overview 
90
      "description": "This chapter provides a comprehensive overview 
            
91
of graph processing frameworks (GPFs)\u2014software systems designed 
91
of graph processing frameworks (GPFs)\u2014software systems designed 
            
92
to efficiently analyze and compute on large-scale graph data. GPFs 
92
to efficiently analyze and compute on large-scale graph data. GPFs 
            
93
enable the representation of entities as vertices and their 
93
enable the representation of entities as vertices and their 
            
94
relationships as edges, offering APIs and computation models that 
94
relationships as edges, offering APIs and computation models that 
            
95
abstract low-level parallelization details while supporting diverse 
95
abstract low-level parallelization details while supporting diverse 
            
96
applications such as social network analysis, biological systems, and 
96
applications such as social network analysis, biological systems, and 
            
97
fraud detection. The authors classify more than twenty notable GPFs 
97
fraud detection. The authors classify more than twenty notable GPFs 
            
98
along four key dimensions: target platform (shared, distributed, or 
98
along four key dimensions: target platform (shared, distributed, or 
            
99
hybrid memory), computation model (MapReduce, BSP, GAS, GSA, etc.), 
99
hybrid memory), computation model (MapReduce, BSP, GAS, GSA, etc.), 
            
100
processing approach (vertex-, edge-, subgraph-, or 
100
processing approach (vertex-, edge-, subgraph-, or 
            
101
neighborhood-centric), and communication model (message passing, 
101
neighborhood-centric), and communication model (message passing, 
            
102
shared memory, or dataflow). Detailed discussions include classical 
102
shared memory, or dataflow). Detailed discussions include classical 
            
103
frameworks like Pregel, GraphLab, Giraph, and GraphX, as well as 
103
frameworks like Pregel, GraphLab, Giraph, and GraphX, as well as 
            
104
recent innovations leveraging GPU, Hybrid Memory Cube (HMC), and ReRAM 
104
recent innovations leveraging GPU, Hybrid Memory Cube (HMC), and ReRAM 
            
105
architectures (e.g., GraphH, GraphP, GraphR). The chapter also 
105
architectures (e.g., GraphH, GraphP, GraphR). The chapter also 
            
106
illustrates a practical example of computing the degree distribution 
106
illustrates a practical example of computing the degree distribution 
            
107
of a large social network using the Apache Flink Gelly API, 
107
of a large social network using the Apache Flink Gelly API, 
            
108
demonstrating scalable parallel execution. In closing, the authors 
108
demonstrating scalable parallel execution. In closing, the authors 
            
109
identify open challenges in graph partitioning, hybrid architectures, 
109
identify open challenges in graph partitioning, hybrid architectures, 
            
110
benchmarking, and performance evaluation, emphasizing that efficient 
110
benchmarking, and performance evaluation, emphasizing that efficient 
            
111
parallelization and resource-aware design remain central to advancing 
111
parallelization and resource-aware design remain central to advancing 
            
112
next-generation graph processing systems.", 
112
next-generation graph processing systems.", 
            
113
      "format": "HTML", 
113
      "format": "HTML", 
            
114
      "hash": "", 
114
      "hash": "", 
            
115
      "id": "fc171422-0921-4ca1-9239-f31b4d9ec5d7", 
115
      "id": "fc171422-0921-4ca1-9239-f31b4d9ec5d7", 
            
116
      "last_modified": null, 
116
      "last_modified": null, 
            
117
      "metadata_modified": "2025-10-10T07:19:53.656960", 
117
      "metadata_modified": "2025-10-10T07:19:53.656960", 
            
118
      "mimetype": null, 
118
      "mimetype": null, 
            
119
      "mimetype_inner": null, 
119
      "mimetype_inner": null, 
            
120
      "name": "Graph Processing Frameworks", 
120
      "name": "Graph Processing Frameworks", 
            
121
      "package_id": "7d26b887-9381-4f45-829b-4fb6ac60a43c", 
121
      "package_id": "7d26b887-9381-4f45-829b-4fb6ac60a43c", 
            
122
      "position": 0, 
122
      "position": 0, 
            
123
      "resource_type": null, 
123
      "resource_type": null, 
            
124
      "size": null, 
124
      "size": null, 
            
125
      "state": "active", 
125
      "state": "active", 
            
126
      "url": "https://doi.org/10.1007/978-3-319-63962-8_283-2", 
126
      "url": "https://doi.org/10.1007/978-3-319-63962-8_283-2", 
            
127
      "url_type": null
127
      "url_type": null
            
t
t
128
    }, 
            
129
    {
            
130
      "cache_last_updated": null, 
            
131
      "cache_url": null, 
            
132
      "created": "2025-10-10T07:19:54.186035", 
            
133
      "datastore_active": false, 
            
134
      "description": "This chapter provides a comprehensive overview 
            
135
of Graph Processing Frameworks (GPFs), which are software systems 
            
136
designed to efficiently process large-scale graphs across distributed 
            
137
and parallel computing environments. It begins by defining GPFs as 
            
138
toolsets for representing data as vertices and edges, emphasizing 
            
139
their role in managing the three challenges of big data\u2014volume, 
            
140
velocity, and variety. The chapter classifies GPFs along four major 
            
141
dimensions: target platform, computation model, graph processing 
            
142
approach, and communication model. It reviews key frameworks\u2014such 
            
143
as Surfer, Pegasus, GBase, Pregel, GraphX, Giraph, Gelly, GraphLab, 
            
144
GraphChi, and Totem\u2014covering their underlying architectures, data 
            
145
abstractions, and parallelization strategies, including MapReduce, 
            
146
Bulk Synchronous Parallel (BSP), and Gather-Apply-Scatter (GAS) 
            
147
models. A practical example using Apache Flink\u2019s Gelly 
            
148
demonstrates how GPF APIs can be applied to compute the degree 
            
149
distribution of a large social network, highlighting performance 
            
150
scalability with multicore systems. The chapter concludes by 
            
151
discussing future research directions, including graph partitioning in 
            
152
heterogeneous (CPU\u2013GPU) environments, the need for standardized 
            
153
benchmarks, and challenges in performance evaluation and algorithmic 
            
154
efficiency. Overall, it situates GPFs as essential infrastructures for 
            
155
large-scale graph analytics in domains such as social networks, 
            
156
bioinformatics, and cybersecurity.", 
            
157
      "format": "HTML", 
            
158
      "hash": "", 
            
159
      "id": "74ad34b0-6ae8-4c70-98cb-6c8dcafbde68", 
            
160
      "last_modified": null, 
            
161
      "metadata_modified": "2025-10-10T07:19:54.168599", 
            
162
      "mimetype": null, 
            
163
      "mimetype_inner": null, 
            
164
      "name": "Graph processing frameworks", 
            
165
      "package_id": "7d26b887-9381-4f45-829b-4fb6ac60a43c", 
            
166
      "position": 1, 
            
167
      "resource_type": null, 
            
168
      "size": null, 
            
169
      "state": "active", 
            
170
      "url": "https://doi.org/10.1007/978-3-319-77525-8_283", 
            
171
      "url_type": null
            
128
    }
172
    }
            
129
  ], 
173
  ], 
            
130
  "state": "active", 
174
  "state": "active", 
            
131
  "tags": [
175
  "tags": [
            
132
    {
176
    {
            
133
      "display_name": "big-data", 
177
      "display_name": "big-data", 
            
134
      "id": "9d010501-9c43-4888-8bde-6e679234a080", 
178
      "id": "9d010501-9c43-4888-8bde-6e679234a080", 
            
135
      "name": "big-data", 
179
      "name": "big-data", 
            
136
      "state": "active", 
180
      "state": "active", 
            
137
      "vocabulary_id": null
181
      "vocabulary_id": null
            
138
    }, 
182
    }, 
            
139
    {
183
    {
            
140
      "display_name": "computer-science", 
184
      "display_name": "computer-science", 
            
141
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
185
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
142
      "name": "computer-science", 
186
      "name": "computer-science", 
            
143
      "state": "active", 
187
      "state": "active", 
            
144
      "vocabulary_id": null
188
      "vocabulary_id": null
            
145
    }, 
189
    }, 
            
146
    {
190
    {
            
147
      "display_name": "distributed-computing", 
191
      "display_name": "distributed-computing", 
            
148
      "id": "e4749285-53bd-48e3-8b01-3ebb7b19d0ea", 
192
      "id": "e4749285-53bd-48e3-8b01-3ebb7b19d0ea", 
            
149
      "name": "distributed-computing", 
193
      "name": "distributed-computing", 
            
150
      "state": "active", 
194
      "state": "active", 
            
151
      "vocabulary_id": null
195
      "vocabulary_id": null
            
152
    }, 
196
    }, 
            
153
    {
197
    {
            
154
      "display_name": "graphs", 
198
      "display_name": "graphs", 
            
155
      "id": "4ce48277-b4dc-4efe-b30c-a82a07b000b4", 
199
      "id": "4ce48277-b4dc-4efe-b30c-a82a07b000b4", 
            
156
      "name": "graphs", 
200
      "name": "graphs", 
            
157
      "state": "active", 
201
      "state": "active", 
            
158
      "vocabulary_id": null
202
      "vocabulary_id": null
            
159
    }, 
203
    }, 
            
160
    {
204
    {
            
161
      "display_name": "mapreduce", 
205
      "display_name": "mapreduce", 
            
162
      "id": "179e2fcb-bbab-41b4-a188-fdef830e91cd", 
206
      "id": "179e2fcb-bbab-41b4-a188-fdef830e91cd", 
            
163
      "name": "mapreduce", 
207
      "name": "mapreduce", 
            
164
      "state": "active", 
208
      "state": "active", 
            
165
      "vocabulary_id": null
209
      "vocabulary_id": null
            
166
    }, 
210
    }, 
            
167
    {
211
    {
            
168
      "display_name": "network-science", 
212
      "display_name": "network-science", 
            
169
      "id": "cded1316-bbe3-44dc-b08f-19d811df2330", 
213
      "id": "cded1316-bbe3-44dc-b08f-19d811df2330", 
            
170
      "name": "network-science", 
214
      "name": "network-science", 
            
171
      "state": "active", 
215
      "state": "active", 
            
172
      "vocabulary_id": null
216
      "vocabulary_id": null
            
173
    }
217
    }
            
174
  ], 
218
  ], 
            
175
  "title": "Graph processing frameworks", 
219
  "title": "Graph processing frameworks", 
            
176
  "type": "dataset", 
220
  "type": "dataset", 
            
177
  "url": "https://doi.org/10.1007/978-3-319-77525-8_283", 
221
  "url": "https://doi.org/10.1007/978-3-319-77525-8_283", 
            
178
  "version": null
222
  "version": null
            
179
}
223
}