在大数据时代,大规模图处理系统（如图数据库系统）是高效管理和分析现实生活中图数据的重要软件。然而,目前大数据框架下的图数据库系统一般采用基于CPU的分布式架构来进行数据的在线分析（OLAP）,CPU有限的核心数以及集群间的通信开销使得OLAP效率较低。图计算加速器（GPU）拥有众多计算单元且采用了单指令多数据流的体系结构,符合图数据OLAP工作流程的特征,适合用于提高图处理系统的在线分析性能。然而,受到GPU显存空间较小的限制,在其上进行大规模图数据的分析面临相当挑战。针对以上问题,大规模图处理系统RockGraph实现了将图数据库系统与图计算加速器（GPU）相融合的思想,利用GPU提高OLAP的效率。此外,为了解决GPU显存空间较小的问题,优化大图超出显存空间时的在线分析效率,RockGraph进一步设计和实现了多个用于优化OLAP的技术,包括子图提取、图划分、循环计算以及动态调度等。RockGraph系统以传统的大数据系统HDFS和列式数据库HBase为存储层,通过Gremlin语言进行图数据的存储与查询,使用新型加速部件GPU完成大规模图的在线分析计算。使用GPU完成大规模图计算时,该系统能够根据用户需求,从图数据库中提取出包含核心信息的子图。经过数据格式转换后,RockGraph利用JNI工具调用动态链接库,将子图传输到GPU显存中,随后采用GPU图计算框架进行在线分析。若子图超出GPU显存空间,RockGraph则将子图划分为多个分区,随后按照动态调度策略,将分区循环传输到GPU中完成分析计算。最后,该系统将计算结果写回图数据库并反馈给终端用户。实验表明,RockGraph大幅提高了图数据库系统中OLAP计算的性能,且在分析超出显存的大型图数据时仍然能够保持较高效率。相较于传统图数据库采用的分布式图计算系统GraphX,RockGraph图分析的时间性能提高了近5倍。在处理大型图数据时,RockGraph系统在线分析的性能是GraphX的3-5倍,是基于GPU的图计算系统Totem的1.5-1.8倍。