评估arangoml的能力时，第一部分：https://www.arangodb.com/2020/09/arangoml-part-1-where-graphs-and-machine-learning-meet/ 提到了Pregel，Pregel是2010 Google Grzegorz Malewicz等1提出的大规模图处理系统，旨在解决现实中复杂的大图，如社交网络等，见下图：
arangodb 实现了Pregel子系统2，能力上来说， 如果是online的小规模图分析， 直接使用属性图的能力就可以了，但是，对于复杂的案例， 例如社区检测/划分，arangodb通过实现Pregel，实现了Label Propagation (LP), Speaker-Listener Label Propagation (SLPA) 以及Disassortative Degree Mixing and Information Diffusion (DMID)等算法，使得ML的能力进一步突出。
我们也可以有替代的方案做大规模的图分析， 比如， 借助Spark GraphX生态， 通过转换Nebula数据结构到GraphX扩展的RDD, 然后借助GraphX的受限Pregel实现3， 见下图，
这里存在几个问题：
(1) Spark的GraphX Pregel实现并非标准
(2) 存在底层存储Nebula到Spark RDD的转换，性能有损失且Spark RDD的资源消耗不确定
(3) 引入了批流引擎Spark
所以，希望能够像Arangodb 一样原生得实现Pregel子系统，进一步释放ML或者图分析能力。