如今,随着知识图谱的兴起,越来越多的数据集采用资源描述框架(RDF)的格式发布和维护数据,由于RDF数据天然的图结构模型,可以将SPARQL检索RDF数据问题转换为大图上的子图匹配问题。大量RDF数据的发布,使得利用SPARQL查询进行RDF数据的检索超出了单机处理能力的限制,基于分布式的图匹配方法日益受到关注。在分布式RDF查询处理中,由于查询图的规模与复杂度的不断增长,其复杂的结构使得查询优化面临着查询准确性和性能的双重挑战。针对以上问题,本文通过比较当前主流的分布式RDF图查询优化方案的优缺点,经过理论分析与实验验证,提出了一种由结构主导的分布式子图匹配优化方法。本课题研究期间的主要工作如下:首先,对于数据进行预处理。通过Jena2将OWL本体数据集进行数据抽取处理,得到便于处理的NT格式的RDF元数据,利用字典编码技术将冗长的元数据信息以整数id形式进行压缩存储;提出了本文的摘要统计图模式,利用基于类型的数据统计方式对本文提出的代价模型计算所需要的相关数据进行预收集与统计;提出了针对图探索策略所制定的数据图的分区方式及基于内存的数据存储索引结构,将压缩之后的整形三元组数据依据整形id进行hash分区划分,各计算节点对所分配到的数据片段基于底层的Key-Value对结构进行索引存储并通过建立虚拟的类型/谓词节点进行倒排索引,加速查询。然后,对于查询图进行处理,分解查询图结构以及制定查询计划。提出了查询图的CPM节点分解模型,以充分利用查询图中各部分结构在分布式环境中的匹配特点,加速查询;提出了以节点为核心的代价模型,在通过摘要统计数据进行计算得到的加权查询结构图上,结合最小生成树思想将复杂的图探索问题转化为查询执行树问题,得到高效的查询执行序列。最后,将查询计划传递到每一个计算节点,在所有计算节点上利用图探索模式开始匹配任务。提出了推迟笛卡尔积操作的优化策略,来压缩核结构匹配时包含全历史信息的路径数目;提出了利用结构分解将匹配过程分割的策略,使得路径结构匹配过程可以无冗余地高速并行执行,并在主机上进行轻量级的连接得到最终匹配结果。