随着互联网的快速发展和计算机应用的不断增加,大量的图数据不断生成。信息技术的高速发展大大降低了存储设备的成本,企业在业务需求的基础上建立了大量数据库并且存储了海量数据。研究如何利用海量数据指导业务决策是决策分析人员关注的焦点。而联机分析处理(OLAP)已经发展成了该问题的一个有效解决方案。OLAP是关系数据基础上实现商业智能的核心技术,它支持高效快速地对海量数据进行多维度、多粒度的分析并且提供决策支持。经过二十多年从理论研究到实用工具、产品及商业应用的发展,OLAP技术已经相对来说比较规范和成熟,能够应用到很多商用数据库和数据仓库上。近年来随着社交网络、生物网络以及化合物网络等领域的不断发展,出现了大量的多属性图数据。传统的OLAP分析技术需要结合事实表和维度表。事实表中包含所有实体,维度表中包含实体的各种维度属性,但是没有存储事实之间的关联信息。在此基础上的传统OLAP无法对多维网络进行有效地分析。为了解决这一问题,Graph OLAP技术应运而生。在Graph OLAP中使用图立方体代替数据立方体来改进信息模型,使得模型能够支持对网络数据的多维度多粒度的分析。但是对于Graph OLAP的研究还处于初始阶段,各种的模型都还在探索阶段,对于有效及高效分析大规模图数据以及多维异质网络的支持力度不足。本文针对现有Graph OLAP模型的不足,提出了新型分析模型,能够支持有效以及高效地分析大规模多维异质网络。本文的主要研究内容如下:1.引进了异质网络中的关系元路径概念并对元路径的关系进行了研究来指导多维网络的聚集。2.定义了新的图立方体模型Star Graph Cube,将主节点的概念引入进来指导元路径的生成,由网络元路径指导OLAP操作的进行。并且根据立方体模型的特点丰富了 Graph OLAP的操作,使得网络分析更加多样性。3.针对新的图立方体模型,提出了并行的聚集算法和对应的物化策略。提出了节点的编码算法来对节点以及节点属性进行编码,省去了节点在做聚集操作时实体表和维度表的连接操作,使得维度OLAP操作的效率大大提高。4.使用了并行计算框架实现来支持海量数据规模的运算。通过在大规模真实数据集上的实验,验证了模型对于大规模数据能够进行有效且高效的分析。