随着信息化时代的到来,一些新兴领域如社会网络分析,web2.0技术分析和生物信息网络分析对于解决规模图处理问题提出了更高的要求,如要完成这些需求,就必须做到能够同时处理10亿以上的图顶点,所以对如此大规模图处理问题的研究和发展已经成为计算机学科当中的新兴领域。本文对BSP模型,Hadoop, Pregel, HAMA等大规模处理领域技术进行了较为深入的研究,解决了基于BSP的大规模图处理系统中任务调度和同步控制两大难题,为系统的顺利开发提供了基础。结合Map-Reduce的任务调度思想和BSP模型的特点,采用了一种任务推送的方式保证同一个作业的所有任务同时启动。本文提出“负载均衡因子”概念,利用数据分片技术、数据本地化技术和负载均衡技术来实现对系统整体性能的优化。实现了系统的任务调度策略。在Zookeeper基础上,本文采取三次路障同步的方式来完成超步迭代过程中的同步控制。为了充分利用图迭代处理的收敛性质,本文在同步控制过程中设计了能够根据图当前状态自动判断是否启动下一个超步的机制。同时针对单个工作节点可能存在多任务并发运行的特点,本文实现了同步控制的优化设计,用来减少集群的负载。本文最后将整个系统部署到真实集群环境中进行测试,通过实验结果对比分析,指出系统的制约性因素,并对数据本地化和负载均衡两个因素对系统整体性能的影响加以测试,为系统的进一步升级提供了依据。