随着在线社交的发展和大数据时代的到来,社交分析工作的价值越来越大,也备受关注。社交分析工作的模块化、功能化值得深入研究并实现。另一方面,在大数据时代,社交网络的规模越来越大,传统的社交分析工具和方法难以支撑大数据的存储和计算。同时,Hadoop、Spark等分布式平台的出现,使得数据的存储和计算可以很简便的实现分布式进行,同时又提供良好的容错性。这些分布式工具为大规模社交分析工作提供了新的思路和方法。但是现今针对社交分析的整体系统或解决方案仍有许多值得研究的工作。本文从社交分析中不同类型的数据和不同的分析任务入手,对大规模社交分析提出了一整套自底向上的分布式系统设计方案。本文提出的分布式社交分析系统涉及数据的存储、计算、算法实现、应用、性能分析等方面,可以支撑不用类型的社交分析工作,并有良好的易用性、可靠性、高效性、可扩展性。本系统采用层次化设计,具体包含网络特征分析、节点(用户)重要性、社团划分、用户相似性分析等一系列基础社交分析功能。在分布式社交分析系统实现过程中,本文针对常见的性能问题,如数据倾斜、网络交换(Shuffle)数据量大等问题也提出了对应的解决方案。同时,为了分析分布式系统作业负载的性能瓶颈问题,在本系统中设计了性能分析功能,提出了一种性能瓶颈的量化方式,并对性能瓶颈量化指标进行了建模。最后本文还得到了一个通用的、普适的性能瓶颈模型G-BRM。本系统的性能瓶颈分析功能可以及时地诊断系统中不同作业的性能瓶颈,有助于进行参数调优、应用优化。