网络的局部结构特征能够用于解决网络研究方面的问题。由三到五个节点组成的基本结构单元,以及它们的出现频率,在生物医学、化学、社交领域中有重要的应用。它们的频率可以用于分子网络建模、蛋白质功能分析、追踪互联网热点以及识别突发事件等方面。这些基本结构单元称为Graphlet,它们出现的频率叫做Graphlet频率分布。由于Graphlet频率分布的计算复杂度高,在分析大规模的网络时,需要通过采样减少输入规模,降低计算量。现有的采样算法是串行执行的,在生成Graphlet频率分布时,没有利用计算机的并行处理能力。论文通过多个采样过程并行运行、相互协作,实现了并行化;现有的采样算法没有判断采样过程是否收敛,论文设计了通过实时检测采样过程生成的样本序列,判断采样过程是否收敛的收敛判定算法;在采样算法的实现中,设计了更加合适的数据结构和与之匹配的算法,减少了内存占用,提高了运行效率。通过分析采样序列的统计学特征,证明了新的采样算法能够无偏地得到Graphlet的频率分布;在样本数量增加时,收敛判定方法能够指示样本序列的特征与总体特征越来越接近,证明了收敛判定算法是有效的。测试表明,并行化后的采样算法缩短了采样时间,当并行度增加一倍时,采样时间最多能减少43%。