移动网络中多媒体服务的增加及移动设备数量的迅速增长导致移动流量暴增,不仅给移动运营商带来挑战,也降低了用户的体验。“设备-设备”(Deviceto-Device,D2D)通信作为5G的关键技术之一,可以不经过主干网,能够实现流量迁移,缓解移动流量爆炸的现象。为了鼓励用户使用D2D通信进行文件内容分享,需要对用户交互产生的移动社交网络进行分析,促进内容在社交网络中的传播。基于D2D的移动社交网络与线上的社交网络相比,维度繁多,时空特性更加复杂,传统的在线内容传播模型在D2D环境下并不适用。并且,现有的研究大部分是基于小数据集的模拟仿真,真实的大规模移动社交网络缺乏有效的理论技术,限制了现有模型在实际中的应用。本文首先对基于D2D的大规模移动社交网络(约3.56TB数据集)从时间序列,APP内容,地理位置,社交网络结构及内容传播模式等维度进行综合分析和量化。针对D2D移动社交网络中的影响力最大化问题,提出了基于Spark的SeedRank种子用户选择算法,结合用户的权重及地理位置因素对用户的影响力进行综合排名,找到用户群组中最具影响力的种子用户集合,并在数据集中对种子用户集的传播范围进行验证。实验结果表明,SeedRank算法相比PageRank及经典的Greedy算法所得到的种子用户集,传播覆盖的人数更多,能够有效扩大内容在D2D移动社交网络中的传播范围。