社交网络，即基于诚信的网络交际新概念，它体现了通过自己身边真实的朋友来结识“朋友的朋友”的目的，是一种全新的交际模式。社交网络服务（Social Network Service，简称SNS）集中提供了电子邮件、即时通讯、博客、相册、论坛、视频以及新闻聚合等等服务，极大地满足了人们对互联网应用中社交属性的需求，并日渐成为一种广为流行的人际交往和营销传播的方式。对于社交网络的应用而言，如何在动态的网络环境中把数据快速准确地分发至不同的用户群体是需要解决的关键技术问题。目前主流的社交网络服务都基于集中式的服务器，如Facebook, Twitter, Myspace,豆瓣网，新浪微博等。但集中式的服务器会带来隐私性，可扩展性，单点失效等问题。因此，分布式的社交网络服务成为当前研究的一个热点。但是，已有的面向社交网络的分布式数据分发方法要么难以适应高度动态的网络环境，要么不能完全支持面向友邻及群组的同步及异步通讯。本文将模糊聚类分析引入社交网络，根据一个树状主题库，利用模糊方法表示出用户之间兴趣的模糊相似度，将兴趣极为相似的用户聚集到一个网络簇中，并考察用户如何分布能最大程度地提高数据分发效率。通过将非结构化拓扑与模糊语义结合起来，大多数事件都在同一个网络簇中进行转发，路由效率得到进一步提高。而动态维护的用户隶属度及存储于多个网络簇的信息拷贝帮助实现了离线文件接收，并保证了在高度动态环境下的鲁棒性。本文从豆瓣网上的10000个用户数据中提取出模糊社会关系，并应用基于代理的发布/订阅模型以及基于Gossip周期采样服务的发布/订阅模型，模拟数据在该网络上的传输。实验表明基于模糊聚类分析的网络聚簇方法能显著的提升数据分发的效率并在高度动态的网络环境中保持较高的鲁棒性。