20世纪90年代初,R.Agrawal等人提出了关联规则挖掘技术。关联规则挖掘是为了发现大量数据中项集之间有趣的相关性信息。经过十余年的发展,关联规则挖掘已经成为数据挖掘技术中较为成熟并且十分重要的一种方法。数据流是一种新型的数据,出现在许多最新的应用领域中,如网络监控、金融服务、股票交易、传感器网络等。传统的数据挖掘算法只能处理静态数据库,因此对这种大量的、无穷无尽的数据流是无能为力的。随着数据流应用的不断增多,数据流环境下的数据挖掘技术受到了越来越多的关注。不同于传统数据库的处理,数据流处理技术并不保存整个数据集,而是仅维护一个远小于其规模并能近似表示整个数据集的概要数据结构,从而能够常驻内存。用户仅针对概要数据结构进行查询操作,以保证系统响应的实时性,得到的结果为近似结果。滑动窗口是一种常用的数据流模型,它只考虑最近的若干个数据元素,解决了数据的时效性问题,更符合实际的应用。文章结合数据流的特点,提出了一种新的基于滑动窗口的频繁模式挖掘算法:DSFPM。算法分块挖掘数据流,在内存中维持一个用于保存所有潜在的频繁模式信息的存储结构DSFPM-Tree,并在各个基本窗口进入滑动窗口后动态更新该存储结构。频繁闭合项集提供了频繁项集的一种在不丢失支持度信息前提下的最小表示。算法仅处理和保存各个基本窗口的临界频繁闭合项集,极大地提高了时间和空间效率。文章在合成数据集上设计和实现了数据流环境下的频繁模式挖掘实验。实验结果表明,应用DSFPM在数据流环境下进行频繁模式挖掘是可行的和有效的。