大数据处理技术在当今数据时代应运而生并以飞一般的速度进步和发展着,各行各业也无一例外迫不及待地将这项技术引入到各自的领域中。电信行业掌握着人们日常通信的脉搏,拥有着数以亿计的用户,时时刻刻都在产生着用户的通话、消费、上网等数据。运营商从不同的角度深入分析,以得到支撑它们商业运营的数据基础。其中非常重要的一种应用就是对其用户所形成的社会网络进行分析。而运用大数据处理技术可以极大提高运营商获取数据分析结论的速度。现今Hadoop MapReduce可谓是公认的大数据处理的翘楚,本文借助该计算框架来进行社会网络分析算法的并行化。首先,基于要确定电信运营商网络中用户传播价值的需求,本文结合集中式计算时代被广为认可的快速中介中心度算法设计了 MR-BC算法,并针对此算法的高迭代复杂度、高数据空间复杂度等问题,结合MapReduce编程框架的原理和优化策略,实现了 MR-BC算法的优化。社区是社会网络分析中另一十分重要的研究要点。电信运营商可以通过这种分析手段,了解其用户的通信行为,模拟用户在实际生活中的人际关系,便于进行用户的定位。本文深入学习研究了最为流行的被应用在不同类型网络中来进行的社区发现的方法——派系过滤算法的原理,分析了该算法对存储、IO等方面的计算需求,以算法可以基于本地网络拓扑逻辑为依据,确定该算法并行化的可行性,以解决派系过滤算法的计算挑战为目的,结合MapReduce计算框架设计并实现并行计算模型下的MR-CPM算法,对该算法的分布式设计思想和算法流程进行了详细的阐述。