1、隨著互聯網技術在眾多領域飛速地發(fā)展，網絡數據的存在形式也呈現出多樣化的趨勢。其中，數據流作為一種新型的數據形式已在眾多應用領域廣泛地出現。例如，傳感器網絡環(huán)境中的數據、金融應用中的財務數據和GPS定位系統(tǒng)所獲取的地理位置等數據。面對無限、連續(xù)和高速的海量數據，傳統(tǒng)的數據挖掘技術難以直接應用于發(fā)現海量數據流中的有效信息。因此，數據流挖掘問題具有重要的研究意義。本文將多數據流頻繁項集挖掘算法作為研究對象。首先，闡述了課題的研究背景以及研究意

2、義，同時概括總結了國內外關于該課題的研究現狀。其次，闡述了在數據處理過程中所應用的相關技術。最后，提出了兩種基于多數據流環(huán)境的頻繁項集挖掘算法。
　　本研究主要內容包括：⑴研究了多數據流頻繁項集挖掘算法的數據存儲結構，設計了一種基于FP-Tree的壓縮頻繁模式樹。本文對數據流的特點和表現形式進行了深入地分析研究，設計了一種基于字典序列的前綴樹存儲結構，并在該結構中引入了對數傾斜時間窗口模型。該窗口模型能夠增量地更新、保留頻繁項集的

3、計數值，在一定程度上提高了內存空間的利用率以及算法的空間復雜度。⑵研究了多數據流協(xié)同頻繁項集挖掘問題，改進了一種基于滑動窗口模型的多數據流協(xié)同頻繁項集挖掘算法。本文引入了多數據流協(xié)同頻繁項集挖掘問題，多數據流協(xié)同頻繁項集是指一組對象在很短的時間內以伴隨的狀態(tài)頻繁地出現在一條數據流或多條數據流中。首先，通過基于字節(jié)序列的滑動窗口挖掘算法發(fā)現數據流中的潛在頻繁項集和頻繁項集；其次，構建頻繁模式樹用以存儲多數據流中的潛在頻繁項集和頻繁項集，并

4、增量地更新樹結構中對數傾斜時間表內對應項集出現的頻數；最后，通過匯總分析得出多數據流中的協(xié)同頻繁項集。⑶研究了分布式環(huán)境中的多數據流協(xié)同頻繁項集挖掘算法，將多數據流協(xié)同頻繁項集挖掘算法并行化計算。在當前的大數據背景下，數據流的規(guī)模呈現急劇增長的趨勢，其到達速度非?？烨覍μ幚斫Y果的實時性要求非常高。單個計算節(jié)點的計算能力難以承受規(guī)模如此巨大的數據。因此，傳統(tǒng)的集中式頻繁項集挖掘算法無法應對規(guī)模日益劇增的數據流。為了解決這一問題，本文采用了