图流是一种表示实时关联数据的大数据模型,具体形式表现为一条随着时间快速无限增长的边流序列。为了应对图流数据容量大、流速快且持续更新等特征,图流概要技术通过牺牲一定的查询精度换取低时空开销,成为了处理图流的可行方向。现实应用中的图流数据普遍存在结点度数倾斜分布的特征,其中的高度点使得现有基于压缩矩阵的概要结构面临着查询延迟高及查询精度差等问题。因此,设计一个高效的图流概要结构的关键是需要快速识别出图流中的高度点信息。然而,由于对时空开销的严格要求,在图流中实时估计结点的度数信息是一项具有挑战性的工作。此外,图流中不同时刻出现的重复边使得对高度点的识别变得更加困难。针对图流中结点度数分布不均给现有图流概要结构带来查询精度变差、延迟增大等问题,提出了一种用于倾斜图流上的高效概要结构——Scube。为了快速高效地识别出图流中的高度点并估计其度数信息,Scube提出了一种基于比特向量高位复现的图流结点度估计模型,该模型仅涉及对图流结点哈希值的轻量级计算,实现了在识别出大部分高度点的同时,有效地过滤掉图流中的低度点信息。基于提出的图流结点度数估计模型,Scube设计了一套高效的区分存储方法,根据结点的度数动态为其分配合适的备选地址数量。对于未被识别出来的高度点,Scube研究了一种正反馈机制,可在图流元组插入矩阵的过程中判断出潜在的高度点并为其扩展更多的备选地址。此外,Scube提供了边的聚合权重查询、点的聚合权重查询及路径可达性查询等图流拓扑信息查询。实验通过四个大规模真实图流数据集全面评估了Scube的性能。结果表明,与目前国际上最先进的设计相比,Scube在保证高查询精度的同时,将图流上的各类查询延迟显著降低了48%～99%。