Spark中Shuffle的定义及相关数据传输判定技术咨询

我了解使用共分区（co-partitioned）DataFrame执行的join不属于宽转换（wide transformations）。

原论文中关于窄依赖（narrow dependencies）和宽依赖（wide dependencies）的定义如下：

narrow dependencies：父RDD的每个分区最多被子RDD的一个分区使用；
wide dependencies：父RDD的一个分区可能被多个子RDD分区依赖。

即便DataFrame是共分区的，也不代表对应分区位于同一节点。例如，df1的分区P1和df2的分区P1可能处于不同节点，因此join过程中仍需进行数据传输（如将df1的P1移动到df2的P1所在节点），但这并不被视为Shuffle。

现提出以下技术问题：

1. 究竟什么是Shuffle？并非所有网络数据传输都属于Shuffle，其准确定义是什么？
2. 哪些类型的数据传输会被视为Shuffle？是否仅涉及宽转换的数据传输才算？

内容的提问来源于stack exchange，提问作者Dhruv