近些年来,在线社交媒体作为一股重要的力量推动了大数据时代的降临,在扩大自身影响力的同时对人类社会的发展也产生了重大影响。众多线下活动逐渐拓展为线上活动,如微博、微信、BBS及国外推特之类的社交平台,用户通过在此类平台上注册账号进行相关的社交活动。各类社交平台的出发点自然是提倡良性的扩展交际圈,然而在社交平台上引发的恶意行为却是屡禁不止。由于社交网络具有开放性、及时性的特点,一些攻击者通过异常账号散播广告、谣言或恶意关注、点赞等,这些恶意行为能够在短时间内迅速扩散,若是未能及时发现并处理,将造成恶劣影响。因此,对社交网络中异常行为进行检测,有利于打造风清气正的网络环境。本文对国内外的研究现状进行了详细的剖析,系统的学习了目前机器学习技术的应用,将深度学习运用到社交网络异常行为检测,采用基于消息内容的算法检测方案确定异常行为对应的账号主体。此外,面对社交平台上产生的海量数据以及对计算效率的要求,本文深入研究了大数据分布式计算平台并提出优化方案,确保计算效率的同时最大化集群利用率,主要工作如下:1.对采集的数据集中的文本日志做向量化处理,从预处理的文本数据中提取主题词,保留与主题词相似度较高的单词。本文提出基于语义空间向量的特征模型,可以做到最大化还原原始文本的语义,为后续准确描述文本特征和提高检测准确率打好基础。2.传统的机器学习算法在社交网络行为异常检测方面有着很大的缺陷,本文先后构建RNN、GRU和LSTM模型,依次对预处理过的数据集进行测试比较,最终提出带有采样层的自编码模型,使用人工神经网络模拟人类学习的方式,进而学习到用户行为序列中的前后联系。实验表明检测准确率接近90%,普遍优于传统的机器学习算法。3.针对社交网络上海量数据问题,本文提出基于Spark分布式计算平台的异常行为检测方案,使得在廉价的机器上也能达到高性能计算。使用Spark提供的多种算法进行测试,通过比较不同算法在不同平台上的效率,总结异常检测算法的适用性。为解决shuffle阶段发生的数据倾斜问题,本文提出基于随机前缀的聚合划分方案,在多种场景下优于默认的哈希划分方案。此外,根据实验环境、数据规模等条件进行合适的参数资源配置,在保证计算性能的同时最大化集群利用率。