摘  要： 頻繁項(xiàng)集挖掘是數(shù)據(jù)挖掘過程中的重要部分，傳統(tǒng)數(shù)據(jù)挖掘算法中常用Apriori算法和FP增長算法來挖掘頻繁項(xiàng)集。在實(shí)際應(yīng)用中，傳統(tǒng)算法往往不能用于頻繁更新的數(shù)據(jù)庫，采用IMBT數(shù)據(jù)結(jié)構(gòu)能從不斷更新的數(shù)據(jù)庫中挖掘頻繁項(xiàng)集，但是這將導(dǎo)致存儲空間不足和運(yùn)行效率低下的問題。基于MapReduce的增量數(shù)據(jù)挖掘能夠有效解決這些問題，通過對比基于MapReduce的增量數(shù)據(jù)挖掘和傳統(tǒng)增量數(shù)據(jù)挖掘的運(yùn)行時(shí)間可以證明，基于Mapeduce的增量數(shù)據(jù)挖掘更高效。
關(guān)鍵詞： 增量數(shù)據(jù)挖掘；MapReduce；增量挖掘二叉樹；頻繁項(xiàng)集

　目前，數(shù)據(jù)挖掘[1]在計(jì)算機(jī)領(lǐng)域正飛速發(fā)展。數(shù)據(jù)庫系統(tǒng)領(lǐng)域的發(fā)展主要在數(shù)據(jù)收集、數(shù)據(jù)庫創(chuàng)建、數(shù)據(jù)管理、數(shù)據(jù)分析、數(shù)據(jù)挖掘、數(shù)據(jù)倉庫等方面。在數(shù)據(jù)挖掘中，挖掘關(guān)聯(lián)規(guī)則是相當(dāng)重要的部分。該部分的主要研究集中在挖掘算法上。國內(nèi)外對頻繁項(xiàng)集挖掘算法一直都有著很深的研究，例如：Apriori算法[1]，F(xiàn)P增長算法[1-2]。
　但是，現(xiàn)實(shí)應(yīng)用中新的事務(wù)會(huì)不斷地錄入數(shù)據(jù)庫，這使得許多挖掘算法不能處理動(dòng)態(tài)的數(shù)據(jù)。數(shù)據(jù)庫隨機(jī)變動(dòng)，這些算法不能有效應(yīng)對數(shù)據(jù)的增添、刪除等操作，這使得增量數(shù)據(jù)挖掘[3-5]變得尤為重要。
1 增量數(shù)據(jù)挖掘的必要性
　在現(xiàn)實(shí)應(yīng)用中，事務(wù)數(shù)據(jù)庫常處于動(dòng)態(tài)更新狀態(tài)，這需要對傳統(tǒng)關(guān)聯(lián)規(guī)則挖掘算法做進(jìn)一步改進(jìn)，因此出現(xiàn)了一些新的關(guān)聯(lián)規(guī)則。一些傳統(tǒng)的批量挖掘算法通過反復(fù)掃描數(shù)據(jù)庫來發(fā)現(xiàn)是否有新的事物添加到數(shù)據(jù)庫中，但是這樣做需要大量的運(yùn)算時(shí)間。
　實(shí)際應(yīng)用中，由于新的事務(wù)不停地添加到數(shù)據(jù)庫中，原先產(chǎn)生的頻繁項(xiàng)集將被淘汰掉，基于新的數(shù)據(jù)庫會(huì)產(chǎn)生新的頻繁項(xiàng)集。增量挖掘算法能有效避免這樣的問題。增量數(shù)據(jù)挖掘以之前挖掘的結(jié)果為基礎(chǔ)，利用新增的事務(wù)來進(jìn)行增量挖掘。
2 增量挖掘發(fā)展現(xiàn)狀
2.1 基于IMBT的增量挖掘
　為了能更好地利用現(xiàn)成的挖掘結(jié)果，采用了一種新的樹形結(jié)構(gòu)來代替FP樹。該結(jié)構(gòu)叫做增量挖掘二叉樹（IMBT）[2]，在事務(wù)添加到數(shù)據(jù)庫中或從數(shù)據(jù)庫中刪除后，它能給出每個(gè)項(xiàng)集的支持度計(jì)數(shù)。與之前的在數(shù)據(jù)庫更新后通過反復(fù)掃描數(shù)據(jù)庫得出的頻繁項(xiàng)集支持度計(jì)數(shù)相比，該算法一次只處理一條事務(wù)并且記錄數(shù)據(jù)集結(jié)構(gòu)中可能的頻繁項(xiàng)集，節(jié)約了大量的時(shí)間。

2.4 在數(shù)據(jù)庫更新后挖掘頻繁項(xiàng)集
　給定一個(gè)項(xiàng)集X，如果X在事務(wù)數(shù)據(jù)庫中出現(xiàn)的頻率大于或等于預(yù)設(shè)的最小支持度，X則稱為頻繁項(xiàng)集。如果項(xiàng)集X不是頻繁項(xiàng)集，它的左半部分的子項(xiàng)集也不是頻繁的，該算法會(huì)停止處理左半部分的子項(xiàng)集，這樣可以提高挖掘效率。構(gòu)建好IMBT樹后，需要遍歷該樹來找出滿足最小支持度閾值的頻繁項(xiàng)集，挖掘結(jié)果被保存在一張表中以便將來使用。由于IMBT樹的構(gòu)建不需要支持度閾值，所以可以在數(shù)據(jù)庫更新后以任何支持度閾值挖掘頻繁項(xiàng)集。
　該方法采用IMBT樹結(jié)構(gòu)，重用從源數(shù)據(jù)庫中挖掘出來的結(jié)果挖掘新增事務(wù)，使得性能有大幅度提升。但是該方法仍面臨內(nèi)存空間不夠的問題。隨著程序運(yùn)行，IMBT樹將會(huì)逐漸擴(kuò)大，這使得內(nèi)存空間容納不下IMBT樹，運(yùn)行效率也將大大降低。采用并行機(jī)制來改進(jìn)現(xiàn)有的串行挖掘算法將在性能上有很大地飛躍。
3 問題解決方案
3.1 并行算法
　在并行計(jì)算[6-7]中，數(shù)據(jù)會(huì)被分發(fā)到不同的計(jì)算機(jī)節(jié)點(diǎn)中去，并行過程中每臺計(jì)算機(jī)對不同的數(shù)據(jù)塊執(zhí)行相同的任務(wù)。
　由于真實(shí)環(huán)境中的數(shù)據(jù)庫通常非常大，把整個(gè)數(shù)據(jù)庫保存在每個(gè)節(jié)點(diǎn)計(jì)算機(jī)上將造成存儲空間過多的浪費(fèi)。將數(shù)據(jù)庫拆分則能成功地將子數(shù)據(jù)庫分發(fā)在不同的計(jì)算機(jī)節(jié)點(diǎn)上。由于每臺計(jì)算機(jī)都保存子數(shù)據(jù)庫，節(jié)約了大量的存儲空間。
3.2 并行算法的優(yōu)勢
　隨著數(shù)據(jù)的增加，當(dāng)數(shù)據(jù)量超過了GB的時(shí)候，串行數(shù)據(jù)挖掘算法將很難在短時(shí)間內(nèi)給出挖掘結(jié)果。而且單臺電腦沒有足夠的內(nèi)存來容納全部的數(shù)據(jù)。在并行條件下，由于聚集了多臺計(jì)算機(jī)的存儲空間和處理能力，因此并行算法能很好地解決運(yùn)行效率低下，存儲空間不足的問題。
3.3 MapReduce工作流程
　要順利實(shí)現(xiàn)并行算法需用MapReduce框架[8]。MapReduce是由谷歌開發(fā)的標(biāo)準(zhǔn)軟件架構(gòu)，主要用于處理大數(shù)據(jù)操作任務(wù)。該架構(gòu)由Map和Reduce組成。
　當(dāng)有數(shù)據(jù)輸入時(shí)，輸入數(shù)據(jù)被分割成塊發(fā)送到各個(gè)節(jié)點(diǎn)計(jì)算機(jī)上，被分配了任務(wù)的節(jié)點(diǎn)計(jì)算機(jī)讀取并處理收到的輸入數(shù)據(jù)塊。Map函數(shù)處理完數(shù)據(jù)后輸出中間數(shù)據(jù)：鍵值對，輸出的中間鍵值對暫時(shí)緩沖到內(nèi)存，這些內(nèi)存中的的鍵值對將會(huì)寫入到本地硬盤，然后將中間鍵值對在本地硬盤的位置信息發(fā)送給主節(jié)點(diǎn)計(jì)算機(jī)，主節(jié)點(diǎn)計(jì)算機(jī)負(fù)責(zé)向執(zhí)行Reduce函數(shù)的計(jì)算機(jī)發(fā)送位置信息，這些計(jì)算機(jī)通過位置信息遠(yuǎn)程從運(yùn)行Map函數(shù)的計(jì)算機(jī)硬盤上讀取中間鍵值對，并將中間鍵值對按鍵分類，擁有相同鍵的值都分在一起，由Reduce函數(shù)處理后輸出最終結(jié)果[8]。圖4給出了其工作流程圖。

4 提出系統(tǒng)
4.1 系統(tǒng)思路
　針對上述內(nèi)存空間和運(yùn)行效率的問題，提出了一種并行構(gòu)建IMBT樹挖掘頻繁項(xiàng)集的方法。該方法主要完成兩項(xiàng)工作：并行構(gòu)建IMBT樹及頻繁項(xiàng)集計(jì)數(shù)。由于單臺計(jì)算機(jī)內(nèi)存和處理器能力有限，該算法不適用于單臺電腦上運(yùn)行。為了讓算法的性能更高，就需要盡量減少計(jì)算機(jī)之間數(shù)據(jù)的傳輸并且避免過多的處理過程。
4.2 系統(tǒng)設(shè)計(jì)
　首先將輸入文件分為若干獨(dú)立文件塊。然后并行處理輸入的每一個(gè)文件塊。由于該方法需要用到基本數(shù)據(jù)結(jié)構(gòu)IMBT進(jìn)行增量挖掘，不需要為IMBT樹定義最小支持度閾值。當(dāng)本地IMBT樹在各個(gè)節(jié)點(diǎn)計(jì)算機(jī)中生成后，每個(gè)項(xiàng)集將會(huì)在獨(dú)立的節(jié)點(diǎn)計(jì)算機(jī)中進(jìn)行支持度計(jì)數(shù)。然后將生成的局部頻繁項(xiàng)集結(jié)合起來，在全局?jǐn)?shù)據(jù)庫中生成一個(gè)全局的頻繁項(xiàng)集。最后，由用戶定義一個(gè)最小支持度閾值，并將其用于全局頻繁項(xiàng)集從而計(jì)算出真正的頻繁項(xiàng)集。MapReduce框架的工作模式能很好地實(shí)現(xiàn)該方法，該方法的設(shè)計(jì)流程圖如圖5所示。

5 性能仿真與結(jié)果分析
　為了對比基于MapReduce的增量數(shù)據(jù)挖掘和傳統(tǒng)增量數(shù)據(jù)挖掘的運(yùn)行效率，實(shí)驗(yàn)選取一個(gè)擁有85 643條事務(wù)的數(shù)據(jù)庫，數(shù)據(jù)庫中每條事務(wù)的項(xiàng)目數(shù)平均為7個(gè)，項(xiàng)目總共有1 300種，實(shí)驗(yàn)用計(jì)算機(jī)總共3臺，配置均為雙核CPU AMD Athlon（tm）64 X2 Dual Core Processor 4000+，內(nèi)存為2 GB，安裝Ubuntu10.10與Window XP雙系統(tǒng)，其中傳統(tǒng)IMBT挖掘算法在單臺電腦上用XP系統(tǒng)運(yùn)行，基于MapReduce的IMBT在3臺電腦上用Ubuntu10.10運(yùn)行，其中1臺計(jì)算機(jī)配置為namenode，另外2臺配置為datanode。由于是實(shí)驗(yàn)，所以沒有配置second namenode。
　在數(shù)據(jù)挖掘進(jìn)行之前，數(shù)據(jù)庫中預(yù)存有30 000條事務(wù)，在基于MapReduce的IMBT算法中，這30 000條事務(wù)被平均分配到3臺電腦上，實(shí)驗(yàn)開始后不斷地向數(shù)據(jù)庫錄入事務(wù)數(shù)，兩種算法均取支持度閾值為800。圖6給出在不斷向數(shù)據(jù)庫中添加事務(wù)時(shí)，兩種算法的耗時(shí)對比。
　從圖6中可以看出，基于MapReduce的IMBT算法的運(yùn)行效率幾乎比傳統(tǒng)IMBT算法快一倍，圖中的運(yùn)行時(shí)間并非完全線性增長，這是由于數(shù)據(jù)庫中每條事務(wù)的項(xiàng)目種類和項(xiàng)目數(shù)量不一致導(dǎo)致的。理論上基于MapReduce的IMBT算法采用2臺計(jì)算機(jī)同時(shí)進(jìn)行挖掘任務(wù)，效率應(yīng)該快一倍，圖中結(jié)果并未達(dá)到一倍是因?yàn)檎麄€(gè)MapReduce過程需要頻繁傳遞信息，namenode需要一定的響應(yīng)時(shí)間，導(dǎo)致實(shí)際效率與理論效率存在一定誤差。但基于MapReduce的增量數(shù)據(jù)挖掘算法在運(yùn)行效率上比傳統(tǒng)數(shù)據(jù)挖掘算法仍然有了質(zhì)的提升。

　傳統(tǒng)數(shù)據(jù)挖掘技術(shù)：Apriori、FP樹等算法，雖然都能有效地找出頻繁項(xiàng)集，但不能適用于真實(shí)環(huán)境下動(dòng)態(tài)的數(shù)據(jù)。所以出現(xiàn)了增量數(shù)據(jù)挖掘，本文給出了一種基于IMBT結(jié)構(gòu)的增量數(shù)據(jù)挖掘算法，該算法能夠在新事務(wù)添加到數(shù)據(jù)庫或從數(shù)據(jù)庫中刪除后有效地列舉出每一個(gè)項(xiàng)集的支持度計(jì)數(shù)。由于在樹的構(gòu)建過程中不需要預(yù)設(shè)最小支持度閾值，該算法允許用戶以任何支持度閾值挖掘頻繁項(xiàng)集。結(jié)合之前從數(shù)據(jù)庫中挖掘出來的結(jié)果，該算法能夠挖掘更新后的數(shù)據(jù)庫，效率上有很大的提升。但是IMBT樹在單臺計(jì)算機(jī)中運(yùn)行時(shí)，該算法面臨存儲空間不足的問題，隨著算法的進(jìn)行，IMBT樹逐漸擴(kuò)展，會(huì)造成內(nèi)存溢出，效率降低。
為此提出了一種新的方法，該方法采用MapReduce框架，將數(shù)據(jù)庫分為若干子數(shù)據(jù)庫然后發(fā)向多個(gè)節(jié)點(diǎn)計(jì)算機(jī)，由于計(jì)算機(jī)集群聚集了多臺計(jì)算機(jī)的存儲能力和計(jì)算能力，在存儲空間上可以動(dòng)態(tài)的增加，并且能夠并行處理數(shù)據(jù)，從而解決了運(yùn)行效率和存儲空間的問題，因此該方法比傳統(tǒng)的非并行增量算法更高效。
參考文獻(xiàn)
[1] 范明，孟小峰.數(shù)據(jù)挖掘概念與技術(shù)[M].北京：機(jī)械工業(yè)出版社，2012.
[2] 蔣翠清，胡俊妍.基于FP-tree的最大頻繁項(xiàng)集挖掘算法[J].合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，33（9）：387-1391.
[3] HONG T P， WANG C Y， TAO Y H. A new incremental data mining algorithm using pre-large itemsets[J]. Intelligent Data Analysis， 2001， 5（2）： 111-129.
[4] HONG T P， LIN C W， WU Y L. Incrementally fast updated frequent pattern trees[J]. Expert Systems With Applications，2008，34（4）：2424- 2435.
[5] YANG C H， YANG D L. IMBT-a binary Tree for Efficient Support Counting of Incremental Data Mining[J]. 2009 International Conference on Computational Science & Engineering， 2009，1（1）：324-329.
[6] 劉鵬.云計(jì)算[M].北京：電子工業(yè)出版社，2011.
[7] 高嵐嵐.云計(jì)算與網(wǎng)格計(jì)算的深入比較研究[J].海峽科學(xué)，2009（2）：56-57.
[8] LAM C， 韓冀中.Hadoop實(shí)戰(zhàn)[M].北京：人民郵電出版社，2012.