近年来,随着信息技术的迅速发展,迫切地需要高效的处理和分析大规模图数据的方法。传统的集中式图划分算法已经处理不了大规模图数据,由此涌现了包括Spark在内的分布式图并行数据处理框架,广泛用于解决分布式的图并行划分问题。尽管已经有很多的解决方法被提出,理论也日趋完善。但是均衡图划分是一个NP难题,现有的一些传统算法不能直接应用于大规模分布式的场景,且传统情况下的图划分大多包含频繁的全局操作,导致巨大的访问开销,以及存在着在分布式机器上的存储优化的瓶颈问题等。如何高效地存储和划分图数据,提高大图划分的运行性能,成为一个新的挑战。基于上述问题,本文提出了改进的JA-BE-JA分布式算法,该算法结合了模拟退火算法和数据迁移算法进行边切割和点切割,利用以顶点为中心的启发式方法解决均衡图划分问题。该算法的优势在于,能够并行处理图数据的每一个顶点数据,每次划分只处理直接邻居顶点,及图的部分随机顶点。本文的主要贡献在于:(1)首先研究了主流的并行大图处理系统的相关图处理技术,并对其进行了对比总结。分析基于BSP(Bulk Synchronous Parallel)整体同步并行模型最大程度地保证了计算的确定性和并行性,适用于分布式大图计算框架。由此提出一个基于BSP模型的BSP-Spark分布式计算框架,并对该框架数据划分模块的进行了性能优化。(2)在原始的JA-BE-JA分布式图划分算法的基础上优化了模拟退火算法,综合模拟退火算法的时间性能和随机过程的参数,有效解决原始JA-BE-JA算法容易陷入局部最优的问题。(3)在原始JA-BE-JA分布式图划分算法的基础上运用了优化的数据迁移算法,考虑图划分的性能和迁移成本以节省带宽和提高资源利用率,实现高效的图划分数据迁移策略。理论分析和实验表明:在处理大规模分布式图划分时,优化过的JA-BE-JA算法在BSP-Spark分布式集群上图划分的边割数和顶点交换数等参数方面得到了提升。尤其是在处理大规模的幂律分布图时,比传统的边分割算法更有效。