随着智能手机的普及与移动通信技术的快速发展,移动互联网用户正迅速增多,人们平均每天花费在移动互联网上的时间也在逐渐增长。海量移动互联网用户在进行网上浏览时会产生大量的用户行为数据。通过对用户行为数据进行深入分析与挖掘,发现其中隐含的互联网用户行为规律,对移动互联网业务的建设与规划具有重要意义。聚类算法往往是对未知数据进行分析与挖掘的第一步,面对海量移动互联网用户行为数据,如何选择高效准确的聚类分析算法是当下研究的热门课题之一。本文的主要工作内容包括以下四点:第一,本文基于采集到的移动互联网用户行为数据对用户进行了总体分析与上网喜好分析。依据分析结果,本文将移动互联网用户访问的网站划归为12个大类,并从1 2类网站的访问流量,请求次数,请求时间出发,构建了一种移动互联网用户行为模型,且基于该模型生成了全新的移动互联网用户行为数据集。第二,本文重点研究了三种经典的聚类算法。面对移动互联网用户行为数据集维度高、数据量大的特点,本文基于分布式计算框架Spark实现了对三种算法的并行化改进。第三,通过对三种改进算法的外部评价指标,内部评价指标以及分布式计算加速比进行对比实验与结果分析,本文选取了效果最优的聚类算法,并基于该算法对海量移动互联网用户行为进行了简要分析,最后将算法进行了系统集成与落地。第四,面对线上源源不断的高速数据流环境,本文研究并实现了一种基于Spark Streaming的流式聚类算法,并对算法的参数选择与聚类结果进行了简要分析。本文的移动互联网用户行为数据均来源于我国某省真实的用户上网话单数据,用户的聚类分析结果与实际情况相符合,对该省移动互联网业务的规划与发展具有重要意义。