实体对齐（Entity Alignment, EA）旨在识别不同知识图谱（Knowledge Graphs, KGs）中的等价实体，是实现多知识图谱融合的关键步骤。然而，现有大多数EA方法在可扩展性方面表现较差，难以应对大规模数据集。我们总结了导致现有EA方法存在高时空复杂度的三个核心问题：（1）图编码器效率低下；（2）负采样策略面临的两难困境；（3）半监督学习中的“灾难性遗忘”现象。为应对上述挑战，我们提出一种新型EA方法——PSR（Performance, Scalability, and Robustness），该方法包含三个创新组件：（1）基于关系图采样的简化图编码器；（2）对称无负采样的对齐损失函数；（3）增量式半监督学习机制。此外，我们在多个公开数据集上开展了详尽的实验，以验证所提方法的有效性与高效性。实验结果表明，PSR不仅在性能上超越了以往的最先进方法（SOTA），同时展现出卓越的可扩展性与鲁棒性。