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": "2025-10-10T07:19:44.700186", 
n
40
  "metadata_modified": "2025-10-10T07:19:45.164788", 
            
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)\u2014software systems designed to 
43
processing frameworks (GPFs)\u2014software systems designed to 
            
44
efficiently analyze and compute on large-scale graph data. GPFs enable 
44
efficiently analyze and compute on large-scale graph data. GPFs enable 
            
45
the representation of entities as vertices and their relationships as 
45
the representation of entities as vertices and their relationships as 
            
46
edges, offering APIs and computation models that abstract low-level 
46
edges, offering APIs and computation models that abstract low-level 
            
47
parallelization details while supporting diverse applications such as 
47
parallelization details while supporting diverse applications such as 
            
48
social network analysis, biological systems, and fraud detection. The 
48
social network analysis, biological systems, and fraud detection. The 
            
49
authors classify more than twenty notable GPFs along four key 
49
authors classify more than twenty notable GPFs along four key 
            
50
dimensions: target platform (shared, distributed, or hybrid memory), 
50
dimensions: target platform (shared, distributed, or hybrid memory), 
            
51
computation model (MapReduce, BSP, GAS, GSA, etc.), processing 
51
computation model (MapReduce, BSP, GAS, GSA, etc.), processing 
            
52
approach (vertex-, edge-, subgraph-, or neighborhood-centric), and 
52
approach (vertex-, edge-, subgraph-, or neighborhood-centric), and 
            
53
communication model (message passing, shared memory, or dataflow). 
53
communication model (message passing, shared memory, or dataflow). 
            
54
Detailed discussions include classical frameworks like Pregel, 
54
Detailed discussions include classical frameworks like Pregel, 
            
55
GraphLab, Giraph, and GraphX, as well as recent innovations leveraging 
55
GraphLab, Giraph, and GraphX, as well as recent innovations leveraging 
            
56
GPU, Hybrid Memory Cube (HMC), and ReRAM architectures (e.g., GraphH, 
56
GPU, Hybrid Memory Cube (HMC), and ReRAM architectures (e.g., GraphH, 
            
57
GraphP, GraphR). The chapter also illustrates a practical example of 
57
GraphP, GraphR). The chapter also illustrates a practical example of 
            
58
computing the degree distribution of a large social network using the 
58
computing the degree distribution of a large social network using the 
            
59
Apache Flink Gelly API, demonstrating scalable parallel execution. In 
59
Apache Flink Gelly API, demonstrating scalable parallel execution. In 
            
60
closing, the authors identify open challenges in graph partitioning, 
60
closing, the authors identify open challenges in graph partitioning, 
            
61
hybrid architectures, benchmarking, and performance evaluation, 
61
hybrid architectures, benchmarking, and performance evaluation, 
            
62
emphasizing that efficient parallelization and resource-aware design 
62
emphasizing that efficient parallelization and resource-aware design 
            
63
remain central to advancing next-generation graph processing 
63
remain central to advancing next-generation graph processing 
            
64
systems.", 
64
systems.", 
            
n
65
  "num_resources": 0, 
n
65
  "num_resources": 1, 
            
66
  "num_tags": 0, 
66
  "num_tags": 0, 
            
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": [], 
            
t
84
  "resources": [], 
t
84
  "resources": [
            
85
    {
            
86
      "cache_last_updated": null, 
            
87
      "cache_url": null, 
            
88
      "created": "2025-10-10T07:19:45.183144", 
            
89
      "datastore_active": false, 
            
90
      "description": "This chapter provides a comprehensive overview 
            
91
of graph processing frameworks (GPFs)\u2014software systems designed 
            
92
to efficiently analyze and compute on large-scale graph data. GPFs 
            
93
enable the representation of entities as vertices and their 
            
94
relationships as edges, offering APIs and computation models that 
            
95
abstract low-level parallelization details while supporting diverse 
            
96
applications such as social network analysis, biological systems, and 
            
97
fraud detection. The authors classify more than twenty notable GPFs 
            
98
along four key dimensions: target platform (shared, distributed, or 
            
99
hybrid memory), computation model (MapReduce, BSP, GAS, GSA, etc.), 
            
100
processing approach (vertex-, edge-, subgraph-, or 
            
101
neighborhood-centric), and communication model (message passing, 
            
102
shared memory, or dataflow). Detailed discussions include classical 
            
103
frameworks like Pregel, GraphLab, Giraph, and GraphX, as well as 
            
104
recent innovations leveraging GPU, Hybrid Memory Cube (HMC), and ReRAM 
            
105
architectures (e.g., GraphH, GraphP, GraphR). The chapter also 
            
106
illustrates a practical example of computing the degree distribution 
            
107
of a large social network using the Apache Flink Gelly API, 
            
108
demonstrating scalable parallel execution. In closing, the authors 
            
109
identify open challenges in graph partitioning, hybrid architectures, 
            
110
benchmarking, and performance evaluation, emphasizing that efficient 
            
111
parallelization and resource-aware design remain central to advancing 
            
112
next-generation graph processing systems.", 
            
113
      "format": "HTML", 
            
114
      "hash": "", 
            
115
      "id": "fc171422-0921-4ca1-9239-f31b4d9ec5d7", 
            
116
      "last_modified": null, 
            
117
      "metadata_modified": "2025-10-10T07:19:45.177984", 
            
118
      "mimetype": null, 
            
119
      "mimetype_inner": null, 
            
120
      "name": "Graph Processing Frameworks", 
            
121
      "package_id": "7d26b887-9381-4f45-829b-4fb6ac60a43c", 
            
122
      "position": 0, 
            
123
      "resource_type": null, 
            
124
      "size": null, 
            
125
      "state": "active", 
            
126
      "url": "https://doi.org/10.1007/978-3-319-63962-8_283-2", 
            
127
      "url_type": null
            
128
    }
            
129
  ], 
            
85
  "state": "active", 
130
  "state": "active", 
            
86
  "tags": [], 
131
  "tags": [], 
            
87
  "title": "Graph Processing Frameworks", 
132
  "title": "Graph Processing Frameworks", 
            
88
  "type": "dataset", 
133
  "type": "dataset", 
            
89
  "url": "https://doi.org/10.1007/978-3-319-63962-8_283-2", 
134
  "url": "https://doi.org/10.1007/978-3-319-63962-8_283-2", 
            
90
  "version": null
135
  "version": null
            
91
}
136
}