近年来,分布式图计算技术在社交网络、交通网络等领域有着广泛的应用,其中对大规模图在分布式系统中进行合理划分是实现高效图计算的基础,但传统的图划分算法大多是针对静态图的,划分前需要将全图加载到内存中进行分区。现实世界中的大量图模型往往是动态的,即图数据、拓扑结构等会不断发生变化,如果将静态图划分算法应用于动态图,时间开销巨大,易造成内存瓶颈,而已提出的动态图划分算法由于可用图数据信息不足,划分质量不理想。因此,本文针对大规模动态图的划分问题,做了如下工作:(1)构建了代价函数。根据负载均衡和减少割边数量两个目标,给出了一个动态图划分的代价函数,用于衡量划分质量。(2)提出了基于代价计算的动态图划分算法。设计了基于顶点度数的转移策略,针对传统流式图划分方法在增加边时划分质量会随着时间降低和顶点转移效率较低的缺点,利用顶点度数来集聚顶点的动态变化,进行顶点转移优化划分结果,从而减少顶点转移开销,提高划分质量。根据构建的代价函数和顶点转移策略,提出了四种不同动态变化(增加顶点、增加边、删除顶点和删除边)下的划分算法。(3)提出了基于滑动窗口的动态图划分算法。针对传统动态图划分算法仅能依靠已分配顶点信息而导致划分不理想的缺点,构建滑动窗口来获取未分配顶点或边信息,选取合适顶点优先分配/重分配,并根据代价函数确定顶点最优分区,以提高图划分质量和效率。本文在真实数据集中,通过实验验证了算法的可行性和有效性,结果表明所提出的算法能够较好的解决大规模动态图的划分问题。