图划分在分布式计算和大规模图数据处理等方面有着重大的意义。当图数据规模较小时,静态图划分算法(如METIS)能有效处理,获得较小的切边率;但是随着应用快速发展,图数据规模的急剧增长给静态图划分算法造成显著挑战,因其处理速度及可扩展性较差而难以处理千万级以上大规模的流式图数据。流式图划分算法的出现很好的解决了上述问题。FENNEL算法对多种流式图划分算法进行了统一的建模,其切边率要优于目前主流的流式图划分算法,且较为接近学术界公认优秀的静态图划分系统METIS,而其运行速度却比METIS快。不过,FENNEL算法是一种串行的流式划分算法,扩展能力受限,如何提高其并发性而且减少因并发性提高而带来的切边率影响就成为改进所面临的主要挑战。本项研究通过对FENNEL的处理模型进行分析,找出FENNEL现有分布式部署方法中,星形串行网络模型存在的处理效率低、可扩展性差等问题,并针对这两方面的问题,提出了一种并发改进方案,以及一种树形网络拓扑结构,并进行理论推导,以求证其可改善系统并发性及扩展性。然后,对各种类型的图数据进行串行、并发模型的对比测试,测试数据表明了在原生图数据以及图数据随机到达的情况下,FENNEL并发改进方案可以保证几乎不影响图划分切边率,同时有效的加快图划分的速率,但是其速率会随着工作节点数量的增加而减低;而树形网络拓扑结构能通过调整并发度来有效提高图划分速率,且其速率几乎不会受到工作节点数量的影响。不过,对于按照广度优先搜索顺序进行预处理后的图数据,即图节点按照邻接关系顺序进行划分处理,并发方法将显著提高其切边率。