将HDRF分区算法生成的分区图应用于GraphX中的图算法是否会导致性能下降？

Question

在Apache Spark GraphX中使用PartitionStrategy对图形进行分区之后，是否有人尝试过运行图形算法（例如Triangle Counting）？我想知道为什么与Apache Spark GraphX中来自RandomVertexCut的分区图相比，HDRF（高次复制值）算法在分区图中的三角计数算法的运行时执行效果更差？

因此，除了Spark实现（我使用C ++实现）之外，我还制作了HDRF算法，然后程序接收到一个边缘列表，并且对于每个边缘，它返回具有分区号的边缘。然后在Spark的PartitionStrategy类中，我做了一个新的实现，该实现只返回分区的数量以及每个边缘。然后，我尝试从Spark GraphX运行Triangle Counting算法，比较了使用HDRF和RandomVertexCut进行分区的图形的运行时间，结果表明，与RandomVertexCut相比，HDRF算法上Triangle Counting算法的运行速度较慢。

我有点困惑，因为在本文http://midlab.dis.uniroma1.it/articoli/PQDKI15CIKM.pdf中，有人指出HDRF使图算法运行得更快。我意识到在本文中，他们使用了GraphLab而不是GraphX。我想知道图形处理引擎的环境差异是否会导致差异结果。

这是HDRF算法生成的边缘列表文件中的示例边缘：

1 2 0 
2 3 1

NB：1 2 0，表示边（1,2）放置在分区0中。

在这里，我将在PartitionStrategy.scala中显示一些代码

case object HDRF extends PartitionStrategy {
    override def getPartition(src: VertexId, dst: VertexId, numParts: PartitionID): PartitionID = {
      numParts
    }
  }

因此，在输入getPartition方法后，它将立即返回分区的数量以及边缘（例如，边缘1 2 0将从getPartition方法返回0）

我希望与RandomVertexCut相比，使用HDRF算法对图形进行分区后，三角计数算法的运行时执行量会减少，但实际上执行起来会更差。

有什么想法为什么会在Apache Spark GraphX中发生而不是在GraphLab中发生吗？