基于Spark的分布式DBSCAN实现：GraphX局部DBSCAN步骤咨询

我最近在Spark上尝试落地DBSCAN算法，参考的是《A Parallel DBSCAN Algorithm Based on Spark》这篇论文。这篇论文里的算法核心分为四个步骤：

• 数据分区
• 局部DBSCAN计算
• 数据分区合并
• 全局聚类

目前我正聚焦在局部DBSCAN计算这一步，用GraphX来实现。这里先给大家贴下我梳理的伪代码逻辑：

// 局部DBSCAN核心点/噪声点标记逻辑
从当前分区中选取任意点p
计算p的ε邻域Nₑ(p)
如果邻域内点的数量 |Nₑ(p)| ≥ minPts:
    将p标记为核心点
否则:
    将p标记为噪声点

现在我还在摸索如何把邻域计算逻辑适配到GraphX的图结构操作上——毕竟GraphX更擅长处理图顶点与边的关系，直接用RDD做邻域扫描效率不够理想，想借助GraphX的分布式图计算能力来优化这部分的性能。

内容的提问来源于stack exchange，提问作者fingerprints