最终性能
基于 ldbc finbench sf1 数据集，各环境耗时如下：
- 环境1：MacBookPro M2 CPU 16G内存 → 总耗时 5.5S - 6.5S
- 环境2：Linux机器 E5-2680v4 16核 32G内存 → 总耗时 9S - 11S
分阶段统计（每阶段耗时只统计距离上一阶段结束之后的时间）：
| 阶段 | 耗时 |
|---|---|
| 总耗时 | 6055ms |
| 1. 集群启动，PipelineTask任务开始执行 | 830ms |
| 2. 读文件完成, vertexSource和edgeSource就绪 | 30ms |
| 3. 构图完成，开启迭代计算 | 2950ms |
| 4. 第一轮计算完成 | 950ms |
| 5. 第二轮计算完成 | 470ms |
| 6. 第三轮计算完成 | 135ms |
| 7. 第四轮计算完成 | 95ms |
| 8. 第五轮计算完成，并开始执行Sink函数 | 130ms |
| 9. Sink执行完成，任务执行结束返回结果 | 210ms |
| 10. 进行节点排序，文件写入 | 230ms |
| 11. 写入完成,进程退出 | 5ms |
主要优化手段
前提：未使用任何图API之外的跨节点数据关联、点边数据关联、边合并等非标优化手段。
- 参数配置：工作线程数经实验使用8为最佳；GC策略不使用G1而使用ParallelGC，并调大新生代及Eden区空间，提升内存分配吞吐量。
- 预读取文件，预创建文件，多线程并发读取/写入：优化了阶段2/9的耗时，详见
readAllData()/writeFiles()及其调用处。 - 使用文件“行号”代替原有Long ID：参考关系数据库自增ID设计，利用行号作为隐藏属性加速ID索引效率。不同类型节点加上不同初始值，通过“号段”区分类型。使用int类型即可表示数十亿个不重复节点（大数据集也可用，结果收集时做行号→原ID转换，或将原ID作为顶点label/属性带入计算）。此优化大幅提升了构图时间和计算迭代时间。
- 自定义高效Kryo序列化器：实现了顶点/边/消息结构体（
PVertex/PEdge/MValue）的自定义序列化，极大提升了图序列化效率，在构图/计算阶段带来约20%的提升。 - 缜密设计的图扩散算法：基于一张图，在五轮迭代内完成全部节点四个case结果的计算。最终计算阶段耗时不到2秒，性能甚至超过直接遍历内存集合，验证了图计算的高效性。算法细节详见代码注释。
- 剩余细节优化：详见
CaseKiller代码注释。
完整代码实现及详细注释请访问 GitHub仓库。