在线社交网络（OSN,Online Social Net）拥有庞大的用户群,吸引来自不同行业和年龄段的用户。尽管大多数OSN主要用于各种良性用途,但其自身的开放性、庞大的用户群和实时消息扩散使其成为网络罪犯有利可图的目标。OSN已被证明是一种新的具有复杂攻击和威胁的孵化器,例如网络欺凌、传播谣言,网络诈骗和其他非法活动。新浪微博被认为是非常受欢迎的在线社交网络,它已经成为人们社会生活中重要的信息传播和交流平台。海量的微博数据包含了大量有价值的信息,但近年来微博平台出现了大量的垃圾用户,通过多种途径传播各类垃圾信息。这不仅影响了微博数据挖掘和决策分析,也严重影响了微博平台和用户体验的健康发展。除此之外,随着微博功能的不断更新,用户特征维度也随之更加复杂,使得有效特征难以提取,造成分类精度不够理想且复杂度高的问题;同时多维用户数据中大量冗余和无关特征直接影响后续分类性能,甚至增加复杂度。针对在线社交网络用户数据的特征选择和分类两方面问题,提出特征判决聚类算法（FDCA,Feature Decision Clustering Algorithm）。算法主要由两个部分组成,预处理阶段:黑名单关联聚类算法作为算法的预处理,通过一种新的聚类框架从网络交互的数据集中识别执行恶意任务的用户簇。首先利用定义的相似性度量构建ID-ID无向图,然后利用测量统计相关性来测量黑名单与用户ID的相关性,并使用给定的黑名单来找到最佳阈值删除相关性弱的边缘得出ID簇,再判断ID簇的标准化残差是否大于3,最终得出与黑名单高度相关联的垃圾簇。通过预处理能快速剔除大量垃圾账户,接着利用用户的特征对用户进行进一步聚类。特征判决聚类阶段:首先使用具有特征加权熵的模糊C均值目标函数,为参数构建一个学习模式,通过多次迭代计算得出每个特征权重,剔除不相关或冗余的特征分量,对特征进行判决并选择,迭代地更新隶属函数、簇中心和特征权重直到最优化为止,最终识别出具有高精度的垃圾用户簇。为了验证算法的有效性,在Python平台上选取已标记的微博用户数据集作为仿真数据集,首先为预处理仿真,该部分包含寻找最佳阈值和预处理分析;其次是算法目标函数收敛与性能指标分析;然后是算法聚类性能对比分析,该部分将数据集分为3种不同数据正负样本比,将所提算法与SDAFS算法,ELAFC算法和NADMB算法进行对比,详细对比了不同算法在不同正负样本数据集情况下分类情况;四种性能指标对分类效果影响情况。接着是特征选择分析,仿真分析FDCA算法所选特征权重分布情况,并通过统计显著性分析来验证算法所保留特征在用户间的差异是否是随机的问题,验证了算法特征选择的有效性;最后是特征数目对分类效果影响分析,探究特征个数对不同算法性能的影响情况。仿真结果表明,FDCA算法在三个主要性能指标上均有提升,且证明了算法中嵌入的特征选择,在保证高分类精度的前提下,有效降低了时间复杂度。同时,对出现的大量冗余特征的条件下也能保持较好的分类性能,具有良好的鲁棒性。