近年来随着互联网信息技术的迅猛发展,各个应用领域逐渐积累了海量数据,网络结构作为一种表示和分析大数据的有效方法,能够对现实生活中大量数据进行建模。这些网络数据通常具有较丰富的维度,如何从这些大规模多维网络中挖掘其中蕴含的深层次信息,为业务人员提供决策支持,逐渐成为研究人员关注的焦点。Graph OLAP(图联机分析处理)技术继承了传统OLAP技术中的相关思想,允许用户对多维网络数据从不同角度与层次进行分析。然而现有的围绕Graph OLAP技术的研究大多围绕立方体的构建开展,相关操作大多为传统OLAP技术在图数据上的拓展,提出的模型对网络自身拓扑结构的挖掘能力较弱。另一方面,以图论为基础的传统图挖掘技术,能够通过对网络拓扑结构中隐藏的信息进行挖掘来描述网络的特征,尽管一些研究引入图挖掘技术作为Graph OLAP的预处理阶段来丰富网络的维度,但并没有就如何将二者更深入结合进行讨论,分析能力依旧较为有限。为了弥补传统Graph OLAP技术分析能力不足的问题,本课题在Graph OLAP技术的基础上引入图挖掘技术对相关概念进行拓展,提出了融合Graph OLAP与图挖掘技术的Graph OLAM(图联机分析挖掘)多维网络分析框架,以支持更为复杂深入的分析。基于这一目标,本课题进行了以下内容的研究:1.定义了关系路径聚合网络与关联维度聚合网络,设计了一种新的图数据立方体模型以指导多维网络的聚集。提出的模型较现有的图立方体模型在时间与空间占用上具有更好的表现。2.对多维网络分析框架中操作的概念重新进行了定义,提出了Graph OLAM操作与Graph OLAM工作流的概念,并对相关操作与方法进行进一步的梳理与归纳。3.围绕Graph OLAM的相关概念设计了面向大规模多维网络数据的分析挖掘框架,并从立方体物化与分析框架优化两个方面探讨了优化策略,设计实现了优化算法。4.基于分布式存储平台与并行计算框架,实现了Graph OLAM大规模多维网络分析框架原型系统,在大规模真实与模拟数据集上进行了实验,并在多个真实的应用场景上进行一定的场景拓展,讨论了挖掘结果对应的现实意义,验证了框架在大规模多维网络分析上的高效性,有效性和可拓展性。