由于分析大规模动态图的重要性,许多时序迭代图处理（Timing iterative Graph Processing,简称TGP）作业通常需要被生成来处理动态图的相应快照,以获取不同时间点的图处理结果。为了提高动态图处理性能,期望在大规模动态图上并发运行多个TGP作业。尽管最近已经开发了许多基于GPU的图处理系统,但将它们应用到大规模动态图上并发运行多个TGP作业时,作业之间会相互干扰并造成昂贵的CPU与GPU间的数据传输开销,最终导致较低的GPU利用率。针对上述问题,观察到当TGP作业分别访问不同的快照进行独立处理时,TGP作业间具有强时间局部性和空间局部性,这是因为快照的大部分相同,并且只有少数部分随时间变化。通过显著降低CPU与GPU间的图数据传输开销,可以为高效的并发执行TGP作业提供机会。基于此观察,开发了一个大规模动态图处理系统EGraph,该系统可以集成到现有的GPU加速的静态图处理系统中,以使其在GPU加速器的帮助下有效地支持在大规模动态图上并发执行TGP作业。与现有方法不同,EGraph提出了有效的加载-处理-切换（Loading-Processing-Switching,简称LPS）执行模型。它能够有效地减少CPU与GPU间数据传输的开销,并通过充分利用TGP作业之间的数据访问局部性,确保更高的GPU利用率以有效执行TGP作业。为了高效支持LPS执行模型的实现,EGraph实现一种结构感知的细粒度动态图管理机制以进一步减少冗余的CPUGPU数据传输开销,并且通过局部性感知的动态图并发处理机制有效的支持TGP作业的高效并发执行。实验结果表明,将EGraph集成到最先进的GPU内存外（out-ofGPU-memory）图处理系统（即Subway）,性能可提高2.3-3.5倍。