校园网的出现促进了高校信息化建设的整体进程,使高校的管理工作更加便捷、更加智能,高校各部门不需要再将信息记录在纸上,取而代之的是将信息记录在电脑中,并加以储存。而随着时间的推移,高校各部门的数据储存的越来越多,而这些数据又能反映出学生的生活习惯以及学习状态,因此,分析校园网数据对于观察学生的学习状态以及高校的建设都有着很重要的作用。但是,各部门之间的数据不互通,以及各部门积累的数据量较大,也成为了分析校园网数据的重点和难点。为了解决数据量过大和各部门之间数据不互通这两个问题,本课题运用大数据技术对用户进行行为分析,以学生在网络中心和教务处中的日常信息为基础,利用主流的大数据处理平台Spark,分析学生在日常上网的行为习惯以及学生平时的学习情况,让老师对学生的学习情况有一个更加全面的认识,并且通过分析学生的日常行为也为校园网的管理工作也提供了决策依据。在Spark平台上,使用K-Means++聚类算法对用户进行分类,选择依赖校园网比较严重的学生进行深度挖掘,分析学生的上网行为,结合学生的具体情况,提出合理的阈值,用于判断该用户是否过度依赖网络,并结合教务处中学生的考试成绩和学术成果,预防学生过于依赖网络而导致学习成绩下降;并且通过分析学生对于网络的使用情况,提出合理的校园网资费策略,以辅助校园网的决策。最终的分析表明,本系统能够从多个维度对学生的行为数据进行分析,有助于了解学生的学习情况;并且通过分析学生的行为数据,也能辅助校园网的管理工作。