首先让我们回想一下什么是投机执行。引自雅虎hadoop教程：
推测性执行：hadoop系统的一个问题是，通过将任务划分到多个节点上，少数慢速节点可能会限制程序的其余部分。例如，如果一个节点有一个慢磁盘控制器，那么它可能只以所有其他节点10%的速度读取其输入。因此，当99个map任务已经完成时，系统仍在等待最后一个map任务签入，这比所有其他节点都要花费更长的时间。通过强制任务彼此独立运行，单个任务不知道其输入来自何处。任务信任hadoop平台来提供适当的输入。因此，相同的输入可以并行处理多次，以利用机器能力的差异。由于作业中的大多数任务即将结束，hadoop平台将跨多个没有其他工作要执行的节点调度剩余任务的冗余副本。这个过程称为推测执行。当任务完成时，他们会向jobtracker宣布这一事实。任务的任何一个副本先完成，就成为最终副本。如果其他副本是推测性执行的，hadoop会告诉tasktracker放弃任务并放弃它们的输出。然后，还原器首先从成功完成Map的Map器接收输入。默认情况下启用推测执行。您可以通过将mapred.map.tasks.投机.execution和mapred.reduce.tasks.投机.execution jobconf选项分别设置为false来禁用Map器和还原器的投机执行
如果我对giraph的理解正确的话，他们不会使用推测执行，因为他们使用自己的迭代计算范式，而这并不适合。这个范例的灵感来自于google的pregel，它提供了一个以图形节点为中心的数据视图。此外，通过检查点来创建容错，这意味着每个迭代（也称为superstep）计算每个图节点的所有传入消息，然后在节点之间分发消息。
简单地说mapreduce并没有以它原来的方式使用，因此对于giraph的推测性执行是没有意义的。