图作为一种通用的数据结构，近年来被广泛应用于各个领域的数据建模问题来表达关联数据，如社交网络、知识图谱与机器学习等。另一方面，随着互联网用户的不断增加，信息系统中需要处理的图的规模也在不断增大。这些大规模图结构的处理超过了单机的处理能力，因此必须借助分布式系统完成图分析算法的执行。　　为了减化图分析算法实现的难度，避免重复解决图加载、内存组织与容错等通用的问题，一系列分布式图计算框架被设计了出来。这些图计算框架为用户提供了编程接口与运行时，用户仅需实现框架编程接口中要求的少量逻辑，即可交由运行时完成图分析算法的执行。分布式图计算框架极大的简化了算法编写的难度，但是，现有的图处理框架主要针对不变的静态图的场景，对随时间变化的动态图的处理则无能为力。而在社交网络分析、WWW链接分析等领域，动态图是常用的数据模型。因此，需要设计专门的分布式动态图计算框架来支持动态图的分析。　　为实现这一目标，本文将动态图分析总结为动态图的离线分析与在线分析两类，并将其转化为多版本静态图分析的问题，然后基于现有单版本静态图分析框架进行实现。这种方案允许用户复用静态图分析的代码来实现动态图分析。然而，现有的图分析框架存在着一系列的问题，这些问题不仅导致其在执行静态图分析算法时算法执行开销过高，也导致基于这些框架所实现的动态图分析框架性能受限。首先，动态图计算依赖底层存储系统可以提供图更新事务分布式强一致性的支持，从而将动态图转化为确定的多版本图。但是，现有的图存储系统未能提供这种支持，且存在复杂索引导致图更新吞吐率降低的问题。其次，现有图处理框架常用的内存组织与一致性算法存在着通信复杂度过高、存在细粒度阻塞等问题，从而导致了图算法执行时间开销较大。第三，现有的图计算框架未考虑顶点更新调度的问题，在用于动态图分析时存在着重复更新与更新延迟的问题，从而增加了计算与通信的开销。　　针对现有静态图处理框架存在的问题与支持动态图处理的需求，本文设计与实现了一套新的动态图分析框架IncGraph。IncGraph首先对单版本图分析中的关键问题设计了新的优化方案，然后基于这些优化方案分别实现了动态图离线与在线分析的计算框架，从而满足了动态图分析的需求。本文主要贡献如下:　　1.设计了一种面向计算的分布式多版本动态图存储引擎。该引擎通过支持强一致性顶点处理事务来维护图的版本结构，并通过日志操作重排序与针对计算层需求进行裁剪提高了图更新事务处理与数据加载的效率。　　2.设计与实现了一种新的动态图顶点内存组织方式，即基于副本的推模型，并基于该模型设计了一种基于多版本副本的更新一致性算法。该内存组织方式与相应的一致性算法通过只读结果副本减少了图算法执行时的通信开销，并通过多版本副本减少了顶点更新的细粒度阻塞，从而减少了总执行开销，提高了图计算框架的性能。　　3.基于上述实现层优化，设计和实现了一种基于顶点更新优先级调度的多版本动态图离线与在线计算引擎。顶点更新优先级调度通过维护顶点的更新状态，为顶点更新选择合适的时机。相对于传统的单独采用多版本联合计算或增量计算的动态图分析框架，IncGraph中的动态图离线与计算引擎可以避免前者重复计算与后者更新延迟的问题，从而减少动态图离线分析的时间开销。　　4.基于以上贡献，设计与实现一套完整的动态图处理框架IncGraph，为上层用户提供了完整的动态图管理与分析的功能。　　通过理论分析与实现可以证明，IncGraph可以较大得减少现有静态图计算框架的开销，并且相对于现有的动态图分析技术，IncGraph可以提供更完整的动态图分析的支持，并同时提高动态图分析的性能。