图作为一种通用的数据结构,正在越来越多地被用来建模科学数据,随着大数据时代的到来,各类图数据的的规模也日趋复杂和庞大。如何在这些庞大的图数据信息中发现那些不合理的异常信息,具有重要的现实意义,并已成为当今学术界和工业界的热点话题。由于问题的复杂性和多样性,目前对于大图中异常检测问题尚没有一套完整的理论上的解决方案,如何针对不同的类型的图数据挖掘其中的异常信息,并且如何解决在大数据的背景下图中异常信息的检测将是本文主要解决的问题。伴随着对于实际网络研究的不断深入,社区结构被人们发现是许多实际网络都具有一个共同的性质。也就是说,许多真实的网络是由多个社区结构构成的,社区内部的顶点之间的连接相对紧密,社区与社区之间联系相对稀疏。本文考虑利用图数据的这一特点来进行异常点检测工作,那些在网络跨社区的顶点或者离群点极有可能图上的异常顶点。针对以上问题,本文针对不同的类型的图数据,在充分利用图数据的结构信息与属性信息前提下,提出了不同的异常点检测策略,主要贡献如下:(1)针对非属性图,本文中提出的主要检测思想是判断查询顶点与邻居顶点之间的相似性,再根据顶点之间的相似度得分对查询顶点进行正常度打分,正常度得分较低的顶点便是本文中所要寻找的异常顶点。(2)针对于属性图数据,本文采用社区离群点发现的方式来进行异常点检测,已有的方法在进行离群点检测时往往只单独关注了图数据的结构信息或者属性信息,本文应用基于重叠社区发现的算法进行离群点检测,同时将顶点的属性信息考虑在内,以取得更好的检测结果。本文所提出的异常检测算法基于BSP模型实现。实验表明,在大规模图数据中,算法可以有效的进行异常检测。