数据流上频繁项挖掘方法研究毕业论文.docVIP

毕 业 设 计（论 文） 题 目： 数据流上频繁项挖掘方法研究 专 业： 信息安全 学生姓名： 班级学号： 指导教师： 指导单位： 信息安全系 日期： 2008年 3 月 21 日至 2008 年 6 月10日 摘 要 发现数据流中的频繁项是数据流挖掘中最基本的问题之一。数据流的无限性和流动性使得传统的频繁模式挖掘算法难以适应。针对数据流的特点，论文对数据流处理技术和数据流挖掘中的关键问题进行了研究和总结，并对一些经典的频繁项挖掘算法进行了介绍。在借鉴FP-growth算法的基础上，采用了一种较新的数据流频繁模式挖掘的算法：FP-stream算法。算法受能够进行有效频繁项挖掘的数据结构FP-tree的启发，创造了一个可以在数据流上进行有效挖掘的数据结构FP-stream。一个FP-stream结构包含(a)一个可捕捉频繁项和次频繁项的内存中的频繁树，(b)每一个频繁项都有的倾斜时间窗口表。构建、更新和维护该结构实现了在数据流上的挖掘。分析和实验证明了其性能。最后对未来的研究方向进行了展望。 关键词: 数据流； 频繁项； 流数据挖掘； FP-stream算法； 倾斜时间窗口； ABSTRACT Finding frequent items is one of the most basic problems in the data stream. The limitless and mobility of data streams make the traditional frequent-pattern algorithm difficult to extend to data streams. According to the character of data streams, a new FP-stream algorithm for mining frequent items for data streams is proposed. Inspired by the fact that the FP-tree provides an effective data structure for frequent pattern mining, we develop FP-stream, an effective FP-tree-based model for mining frequent patterns from data streams. In addition, An FP-stream structure consists of (a) an in-memory frequent pattern-tree to capture the frequent itemset information, and (b) a tilted-time window table for each frequent pattern. Efficient algorithms for constructing, maintaining and updating an FP-stream structure over data streams are explored. The analysis and experiments show the performance of this algorithm. Finally, future directions in research are discussed. Key words data streams; frequent items; stream data mining; FP-stream algorithm; tilted-time window 目 录 第一章 绪论 1 1.1课题背景和研究现状 1 1.2 课题内容 3 第二章 数据流和数据流挖掘 4 2.1 数据流 4 2.2 数据流挖掘算法和特点 5 2.3 数据流挖掘的关键问题 6 2.4 本章小结 8 第三章 频繁项挖掘及相关算法 9 3.1 频繁模式概念 9 3.2 挖掘方法 10 3.3 有关算法 12 3.4 本章小结 13 第四章 数据流上频繁项挖掘算法 14 4.1 改进的FP-stream算法关键点 14 4.1.1头表fList的设计 14 4.1.2 倾斜时间窗口维