分布式批同步BSP
Pregel、GraphLab、GraphX都是基于BSP（Bulk Synchronous Parallel）模式，即整體同步并行。一次計算過程由一系列全局超步組成，每一個超步由并發計算、通信和同步三個步驟組成。從垂直上看,一個程式由一系列串行的超步組成。從水準上看，在一個超步中，所有的程序并行執行局部計算。BSP最大的好處是程式設計簡單，但在某些情況下BSP運算的性能非常差，系統速度取決于最慢的計算任務，即木桶原理。Spark Graphx中也實作了Pregel的API。
Pregel
Pregel采用疊代的計算模型：在每一輪，每個頂點處理上一輪收到的消息，并發出消息給其它頂點，并更新自身狀态和拓撲結構等。算法是否能夠結束取決于是否所有的頂點都已經vote辨別其自身已經達到halt狀态了。頂點通過将其自身的狀态設定成halt來表示它已經不再active。
Pregel架構的缺點：這個模型雖然簡單，那就是對于鄰居數很多的頂點，它需要處理的消息非常龐大，是以對于符合幂律分布的自然圖，這種計算模型下很容易發生假死或者崩潰。
GraphLab
GraphLab将資料抽象成Graph結構，将基于頂點切分的算法的執行過程抽象成Gather、Apply、Scatter三個步驟。如下：需要完成對V0鄰接頂點的求和計算，将頂點V0進行切分，邊關系以及鄰接點部署在兩台處理器上，各台機器上并行進行求和運算，然後通過master（藍色）頂點和mirror（橘紅色）頂點的通信完成最終的計算。
1.Gather階段，工作頂點的邊從連接配接頂點和自身收集資料。
2.Apply階段，mirror将gather階段計算的結果發送給master頂點，master進行彙總并結合上一步的頂點資料，進行進一步的計算，然後更新master的頂點資料，并同步給mirror。
3.Scatter階段，工作頂點更新完成之後，更新邊上的資料，并通知對其有依賴的鄰結頂點更新狀态。
由于gather/scatter函數是以單條邊為操作粒度，是以對于一個頂點的衆多鄰邊，可以分别由相應的節點獨立調用gather/scatter函數，進而避免Pregel模型的問題。
GraphX
GraphX公開了類似Pregel的操作，是Pregel和GraphLab抽象的一個融合。在GraphX中，操作者執行一系列的超步，在這些超步中，頂點從之前的超步中接收進入消息，為頂點屬性計算一個新的值，然後在以後的超步中發送消息到鄰居頂點。不像Pregel而更像GraphLab，消息通過邊triplet的一個函數被并行計算，消息的計算既會通路源頂點特征也會通路目的頂點特征。
此外，GraphX的優點還包括：
1.允許使用者把資料當做一個圖和一個集合(RDD)，而不需要資料移動或者複制。
2.Spark GraphX可以無縫與Spark SQL、MLLib等結合，友善且高效地完成圖計算整套流水作業。