大规模图数据的抽样在社交网络、信息网络和生物网络等图式数据的分析中有着重要的作用。很多现实的网络有的规模非常巨大,有的在持续变化。在测试和研究中,为了合理折衷性能与精确性,往往需要在原图基础上抽样得到较小的有代表性的子图。传统的图抽样方法是针对静态图,并且需要保证对全图的可访问性。然而,当原图的规模大到全图结构无法一次性加载到主存中,或者图本身是动态变化时,传统的图抽样算法就无法适用。利用流式的抽样算法,可消除静态抽样算法对全图结构的依赖性,从而实现大规模图和动态图流式抽样。本项研究分析最新的流式图抽样算法PIES及其改进算法PIES-MIN,以此为基础找出两者在抽样时暂存点替换策略存在的问题,提出了新的替换策略。新的替换策略参考PIES-MIN的思路,选取度的特征为替换标准,以暂存点的度的倒数为比例,为不同度的点分配不同的替换概率,在一定程度上防止了度高的点被频繁地删除,同时也不会像PIES-MIN算法一样造成度高的点的大量集聚。经过分析和推导,PIES-INV算法在单次边处理时的时间开销与PIES-MIN算法相同,空间开销比PIES-MIN算法稍大,但在可接受的范围之内。经过在不同实际图数据集上的测试,PIES-INV算法得到的子图在四种图特性的代表性上几乎都超越了PIES算法。在低度点比例较大的图中PIES-INV算法在度分布、k-core分布和有效路径这三个特性上的表现比PIES-MIN要好,在平均集聚系数较小的图中PIES-INV算法在集聚特性上的表现比PIES-MIN要好。