量体裁衣：使数据划分适配计算任务

社交图分析应用通常基于现成的分析框架构建。然而，这些框架是针对一般情况进行分析和优化的，必须适用于各类图。本文研究了在最小代价下，如何利用对应用和数据集的了解来优化性能。我们聚焦于划分策略对社交图计算性能的影响。我们在六个社交图上使用四种标准图算法，通过测量一组五个划分指标，评估了六种图划分算法。我们针对（i）图数据集的性质、（ii）各分析计算以及（iii）划分的性质，分析了每种划分策略的性能。我们发现，对于大多数（但并非全部）分析计算，通信代价是性能的最佳预测因子。我们还发现，针对某类算法的最佳划分策略未必适用于另一类算法，且针对所有算法的一般情况进行优化时，可能并未为给定图算法选出最优划分策略。我们以关于选择正确的数据划分策略的见解作结，该策略对大型图分析计算的性能有显著影响；其影响之大，足以证明针对计算和数据集优化划分策略的必要性。