现实中的图不仅规模巨大,而且图的拓扑结构随着时间发展而不断变化,原始的静态图演化成带有时间属性的时序图。如何有效地存储大规模时序图并对其进行高效地检索查询,成为时序图研究的一个重要问题。现有的时序图存储模型主要分为三类:基于快照的存储模型、基于日志的存储模型以及基于二者组合的混合存储模型。快照模型支持高效地查询检索,但存储开销太大。日志模型虽然降低了存储开销,但查询时间成本太高。混合模型一般采用偏斜性感知或者相关性感知的策略将两种模型组合使用,但是这些策略仍存在着挑战:度的偏斜性会随着时间变化而发生演化;访问频率偏斜性不能完全体现时序图的重要性;快照之间的相关性带来较大的更新开销。基于日志结构合并子图的时序图存储模型（Log-Structured Merge-Subgraph,LSM-Subgraph）主要包含LSM-Subgraph数据结构以及更新查询引擎。LSM-Subgraph数据结构将所有日志划分成多个数据段,每个数据段由日志数组和基于压缩内存的邻接数组（Packed-Memory Array,PMA）构成。基于PMA的邻接数组通过预留适当的空间,避免了快照在更新合并过程中的重构问题。更新查询引擎用来辅助LSMSubgraph完成更新和查询过程中的相关操作。更新过程中,通过基于差异度感知的选取方法来完成数据段序列的合理划分;查询过程中,通过日志预合并方案来降低数据合并规模,提高检索效率。实验结果表明,LSM-Subgraph在真实数据集上的总体性能优于现有的时序图存储模型Chronos和Graph Pool,其中,查询效率提升39%～94%,存储开销降低9%～81%。此外,各个优化方案的实验结果表明,基于PMA的邻接数组的更新开销远小于现有的快照模型CSR和邻接表;基于差异度感知方法在动态时序图上的总体性能优于基于度偏斜性感知方法,其中,查询时间减少9.8%～25%,内存开销降低12.8%～48.7%;差异度感知的总体开销比基于随机性和基于周期性小,其中,查询时间减少2%～80%,内存开销降低24%～63%。