随着大数据在不同领域的快速发展,普及大数据分析技术在各领域数据价值挖掘中的应用,为大数据分析快捷实施和高效运行赋予方法和平台支撑,成为促进大数据分析与领域应用结合的发展方向。以SPSS Modeler为代表的关系数据库作为核心数据引擎的传统数据分析,无法有效的对海量数据进行高效处理。以Hadoop为代表的分布式处理平台以及计算框架解决了海量数据存储与处理的问题,但使用过程中都涉及到大量的技术细节,且分析算法与特定的应用平台过于耦合,代码的复杂性高,可复用性差,也无法满足日益复杂的大数据分析需求。本文主要研究了大数据分析流程建模及实施方法,提出以领域业务为中心、多模型协同的面向领域大数据分析框架。首先,本文将大数据分析流程划分为面向领域与面向平台的双层模型,并提出了领域业务驱动的大数据分析流程建模,使用户专注于问题域的业务分析逻辑进行分析和研究。其次,设计了模块化、流程式大数据分析编程模型;定义了可扩展数据分析模块,给出了基于元数据的分析模块描述和扩展方法,支持粗粒度的分析任务复用;提出了基于分析模块以及模型驱动的从大数据分析业务流程模型(面向领域的大数据分析流程模型)到基于Oozie的并发执行流程模型(面向平台的大数据分析流程模型)的转换算法,保证大数据分析的易用性、可扩展性和灵活复用性。最后,提出了一种基于随机森林和遗传算法参数寻优的方法,通过调节Hadoop参数配置优化Hadoop系统性能,以此优化大数据分析流程执行效率。综上所述,本文针对大数据分析流程建模关键技术进行研究,设计领域业务驱动的大数据分析流程建模,将面向领域的大数据业务分析过程从问题的求解过程中剥离了出来,在问题的求解过程中专注于业务分析逻辑设计。以面向领域业务的方式进行大数据分析流程设计,最终转化为面向平台的流程实例分布式并行执行,使用户从分析过程建立的特定算法计算以及流程执行的实现细节中解脱出来。以此支撑产业领域人员和算法开发人员交互式构建大数据分析流程并高效执行,降低大数据分析技术在各领域应用普及的门槛。