随着大数据时代的到来,工业界和学术界开发了很多分布式图计算框架来对大规模图数据进行分析处理。这些框架要正确处理顶点的副本点之间的数据一致性问题。很多框架采用急切数据一致性(eager data coherency)的方法来解决这一问题。这种方法把顶点的不同副本点看作一个不可分割的原子顶点,任何副本上的变化都要立即同步给其他副本,因而带来了频繁的全局同步和通信开销。对此,我们在之前的工作中提出了一种延迟数据一致性方法(Lazy Async)。它基于延迟数据一致性(lazy data coherency)的思想,顶点的不同副本点被看作互相独立的点,各自迭代更新,最后通过计算实现数据一致。这种方法有效减少了系统中进行数据一致所引起的全局同步和通信,极大地提升了现有分布式图计算的效率。然而,不同的开启策略会使Lazy Async得到不同程度的性能提升,这使得Lazy Async只能通过手动调优来获得最大程度的性能提升。至今仍没有行之有效的自适应优化方法解决Lazy Async的开启策略问题。本文首先通过实验分析发现了不同开启策略对Lazy Async的影响程度主要受冗余计算的影响。Lazy Async虽然避免了eager data coherency方法中存在的冗余同步和通信,但是在它的本地计算中存在着冗余计算。冗余计算比例低的开启策略会得到更好的性能提升。之后,本文通过离线分析发现了分布式图计算迭代过程中存在着解的局部性规律。即点的全局解只由某个局部解构成,而解的局部性则有利于减少本地计算中的冗余计算。最终本文针对Lazy Async设计并实现了一种基于解的局部性的自适应优化方法。这种方法在线地统计顶点上全局解和局部解的关系识别出迭代过程中出现的解的局部性,从而自适应地选择开启策略,自动得到相对最优的性能提升。这种方法克服了之前的决策树方法需要事先繁重的手动调优的缺点,并能有效处理决策树失灵的情况,使得Lazy Async成为了一种真正实用的方法。在48机的集群环境下,这种方法相比于eager data coherency方法在4种典型图算法和不同种类输入图上获得了和手动调优效果相一致的1.2到4.7倍的加速比。