摘  要： 頻繁項集挖掘是數(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集。在實際應用中，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)庫中挖掘頻繁項集，但是這將導致存儲空間不足和運行效率低下的問題?；?a class="innerlink" href="http://ihrv.cn/tags/MapReduce" title="MapReduce" target="_blank">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)挖掘的運行時間可以證明，基于Mapeduce的增量數(shù)據(jù)挖掘更高效。
關鍵詞： 增量數(shù)據(jù)挖掘；MapReduce；增量挖掘二叉樹；頻繁項集

　目前，數(shù)據(jù)挖掘[1]在計算機領域正飛速發(fā)展。數(shù)據(jù)庫系統(tǒng)領域的發(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，挖掘關聯(lián)規(guī)則是相當重要的部分。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)實應用中新的事務會不斷地錄入數(shù)據(jù)庫，這使得許多挖掘算法不能處理動態(tài)的數(shù)據(jù)。數(shù)據(jù)庫隨機變動，這些算法不能有效應對數(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)實應用中，事務數(shù)據(jù)庫常處于動態(tài)更新狀態(tài)，這需要對傳統(tǒng)關聯(lián)規(guī)則挖掘算法做進一步改進，因此出現(xiàn)了一些新的關聯(lián)規(guī)則。一些傳統(tǒng)的批量挖掘算法通過反復掃描數(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算時間。
　實際應用中，由于新的事務不停地添加到數(shù)據(jù)庫中，原先產(chǎn)生的頻繁項集將被淘汰掉，基于新的數(shù)據(jù)庫會產(chǎn)生新的頻繁項集。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，利用新增的事務來進行增量挖掘。
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，它能給出每個項集的支持度計數(shù)。與之前的在數(shù)據(jù)庫更新后通過反復掃描數(shù)據(jù)庫得出的頻繁項集支持度計數(shù)相比，該算法一次只處理一條事務并且記錄數(shù)據(jù)集結(jié)構(gòu)中可能的頻繁項集，節(jié)約了大量的時間。

2.4 在數(shù)據(jù)庫更新后挖掘頻繁項集
　給定一個項集X，如果X在事務數(shù)據(jù)庫中出現(xiàn)的頻率大于或等于預設的最小支持度，X則稱為頻繁項集。如果項集X不是頻繁項集，它的左半部分的子項集也不是頻繁的，該算法會停止處理左半部分的子項集，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，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。隨著程序運行，IMBT樹將會逐漸擴大，這使得內(nèi)存空間容納不下IMBT樹，運行效率也將大大降低。采用并行機制來改進現(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
　在并行計算[6-7]中，數(shù)據(jù)會被分發(fā)到不同的計算機節(jié)點中去，并行過程中每臺計算機對不同的數(shù)據(jù)塊執(zhí)行相同的任務。
　由于真實環(huán)境中的數(shù)據(jù)庫通常非常大，把整個數(shù)據(jù)庫保存在每個節(jié)點計算機上將造成存儲空間過多的浪費。將數(shù)據(jù)庫拆分則能成功地將子數(shù)據(jù)庫分發(fā)在不同的計算機節(jié)點上。由于每臺計算機都保存子數(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，當數(shù)據(jù)量超過了GB的時候，串行數(shù)據(jù)挖掘算法將很難在短時間內(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，由于聚集了多臺計算機的存儲空間和處理能力，因此并行算法能很好地解決運行效率低下，存儲空間不足的問題。
3.3 MapReduce工作流程
　要順利實現(xiàn)并行算法需用MapReduce框架[8]。MapReduce是由谷歌開發(fā)的標準軟件架構(gòu)，主要用于處理大數(shù)據(jù)操作任務。該架構(gòu)由Map和Reduce組成。
　當有數(shù)據(jù)輸入時，輸入數(shù)據(jù)被分割成塊發(fā)送到各個節(jié)點計算機上，被分配了任務的節(jié)點計算機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緩沖到內(nèi)存，這些內(nèi)存中的的鍵值對將會寫入到本地硬盤，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)點計算機，主節(jié)點計算機負責向執(zhí)行Reduce函數(shù)的計算機發(fā)送位置信息，這些計算機通過位置信息遠程從運行Map函數(shù)的計算機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)存空間和運行效率的問題，提出了一種并行構(gòu)建IMBT樹挖掘頻繁項集的方法。該方法主要完成兩項工作：并行構(gòu)建IMBT樹及頻繁項集計數(shù)。由于單臺計算機內(nèi)存和處理器能力有限，該算法不適用于單臺電腦上運行。為了讓算法的性能更高，就需要盡量減少計算機之間數(shù)據(jù)的傳輸并且避免過多的處理過程。
4.2 系統(tǒng)設計
　首先將輸入文件分為若干獨立文件塊。然后并行處理輸入的每一個文件塊。由于該方法需要用到基本數(shù)據(jù)結(jié)構(gòu)IMBT進行增量挖掘，不需要為IMBT樹定義最小支持度閾值。當本地IMBT樹在各個節(jié)點計算機中生成后，每個項集將會在獨立的節(jié)點計算機中進行支持度計數(shù)。然后將生成的局部頻繁項集結(jié)合起來，在全局數(shù)據(jù)庫中生成一個全局的頻繁項集。最后，由用戶定義一個最小支持度閾值，并將其用于全局頻繁項集從而計算出真正的頻繁項集。MapReduce框架的工作模式能很好地實現(xiàn)該方法，該方法的設計流程圖如圖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)挖掘的運行效率，實驗選取一個擁有85 643條事務的數(shù)據(jù)庫，數(shù)據(jù)庫中每條事務的項目數(shù)平均為7個，項目總共有1 300種，實驗用計算機總共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)運行，基于MapReduce的IMBT在3臺電腦上用Ubuntu10.10運行，其中1臺計算機配置為namenode，另外2臺配置為datanode。由于是實驗，所以沒有配置second namenode。
　在數(shù)據(jù)挖掘進行之前，數(shù)據(jù)庫中預存有30 000條事務，在基于MapReduce的IMBT算法中，這30 000條事務被平均分配到3臺電腦上，實驗開始后不斷地向數(shù)據(jù)庫錄入事務數(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)庫中添加事務時，兩種算法的耗時對比。
　從圖6中可以看出，基于MapReduce的IMBT算法的運行效率幾乎比傳統(tǒng)IMBT算法快一倍，圖中的運行時間并非完全線性增長，這是由于數(shù)據(jù)庫中每條事務的項目種類和項目數(shù)量不一致導致的。理論上基于MapReduce的IMBT算法采用2臺計算機同時進行挖掘任務，效率應該快一倍，圖中結(jié)果并未達到一倍是因為整個MapReduce過程需要頻繁傳遞信息，namenode需要一定的響應時間，導致實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集，但不能適用于真實環(huán)境下動態(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項集的支持度計數(shù)。由于在樹的構(gòu)建過程中不需要預設最小支持度閾值，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樹在單臺計算機中運行時，該算法面臨存儲空間不足的問題，隨著算法的進行，IMBT樹逐漸擴展，會造成內(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)向多個節(jié)點計算機，由于計算機集群聚集了多臺計算機的存儲能力和計算能力，在存儲空間上可以動態(tài)的增加，并且能夠并行處理數(shù)據(jù)，從而解決了運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
[1] 范明，孟小峰.數(shù)據(jù)挖掘概念與技術(shù)[M].北京：機械工業(yè)出版社，2012.
[2] 蔣翠清，胡俊妍.基于FP-tree的最大頻繁項集挖掘算法[J].合肥工業(yè)大學學報（自然科學版），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.云計算[M].北京：電子工業(yè)出版社，2011.
[7] 高嵐嵐.云計算與網(wǎng)格計算的深入比較研究[J].海峽科學，2009（2）：56-57.
[8] LAM C， 韓冀中.Hadoop實戰(zhàn)[M].北京：人民郵電出版社，2012.