互联网的快速发展已经渗透到各个行业,海量的非结构化数据逐渐增多,产生了大量分析数据之间关系的需求,例如知识图谱、社交网络等领域。相比传统的关系型数据库、以及传统的大数据处理系统,图系统处理海量的关联数据优势巨大。而图系统又分为两种类型,一是图数据库,查询图中的部分数据,要求查询响应快速,在低延迟下返回查询结果。二是图计算系统,对全图进行多次迭代计算,计算量巨大,耗时较长。在目前的研究中,大多数研究者对图数据库与图计算系统分别进行研究,但是在实际应用中,图查询和图计算是相互的,并拥有大量的相同特征,例如图存储、图分区、图索引等。本文针对上述问题,设计并实现了一个面向分布式图数据库图查询和图计算的混合引擎图系统HCQ-GDB。本文针对图存储空间的浪费、数据传输的成本、维护数据一致性的代价、缓存和索引的利用率等一系列问题进行了探讨,并通过结合图查询的图计算能够完成更高级、更复杂的计算任务。本文的主要工作内容以及创新点如下:1.图查询和图计算执行模式的统一和混合引擎图系统的整体设计:为了图查询和图计算执行模式的统一,高效利用系统资源,本文通过设计一系列分布式图计算算子,将它们的计算逻辑转化为DAG（有向无环图）物理执行计划,来进行任务调度,并给出了混合图系统的整体设计。2.图存储模型和缓存机制:针对复杂的非结构化图数据,本文设计了一个图存储模型,优化了空间开销、加速图的查询和计算等。由于图查询和图计算的不同IO请求,本文设计了一套缓存机制来同时满足图查询和图计算对资源的读写需求。3.图分区算法的改进和任务调度优化模型:因为图数据具有关联性,在分布式环境下,为了减少因为图的关联性而带来任务之间的网络通信开销,以及保证图数据的邻近性原则,本文设计并实现了一套优化的图分区算法。因为图查询对时延敏感,而图计算的计算量大,本文实现了一个分布式任务调度优化模型对任务进行调度,提高了系统整体性能。4.图计算同步和异步混合模型:不同的图算法在同步和异步模式的执行条件下,数据一致性、算法收敛以及执行开销都有所差别。在保证数据一致性的前提下,本文设计与实现了一套同步和异步混合执行模型,系统图计算的性能得到了提升。在测试中,本文对混合引擎图系统进行完整的基准功能测试以及基准性能测试。功能测试结果表明系统能够支撑大部分的图查询请求以及图计算请求,系统的相关算法以及核心技术能够完全正常执行并得到正确的结果。通过与其他图数据库和图计算系统进行性能对比,性能有明显的提升。