由于数据流的流动性、无限增长的特点,传统的数据管理技术已经无法有效的管理数据流中的数据,因此,有必要对数据流管理中的一些新技术做些研究。整个数据库界已经开始关注数据流管理技术。　　 自动控制、计算机、图形图像、网络等多个领域的知识都涉及到系统仿真技术。数据挖掘技术可以获取仿真数据中隐藏的知识。仿真系统复杂程度越高和规模越大,仿真时间会越长,需要的空间也越大。可见,仿真数据具有数据流的特征,可以用数据流挖掘技术处理仿真数据。关联规则是仿真系统常选择的一类挖掘任务。研究生阶段,本人主要研究了频繁模式在数据流中的应用。其中,重点研究如何在数据流上挖掘闭频繁集。　　 本文提出了一种挖掘数据流时间窗口中闭频繁项集的方法NEWT-Moment。在单遍扫描数据流各事务的情况下,该方法能完整地记录模式信息。同时,NEWT—Moment提出的减枝方法能很好地降低滑动窗口树F—tree的空间复杂度与闭频繁模式树NEWT-tree的维护代价。此外,该方法提出的时间衰减机制能区分历史和最新模式对挖掘结果的影响。另外,NEWT—tree直接存储闭频繁项集,可随时快速读取闭频繁项集。和T—moment算法相比,算法不需要删除历史数据,不需要记录事务时标,不需要标记各节点,在一定程度上,可降低算法的时间和空间复杂度。大量实验结果表明,NEWT—Moment有很好的效率和准确性。