随着计算机互联网技术的发展,实时数据流成为数据信息中一种重要的数据形式,且已被广泛应用于网络流量控制、数据监测系统、互联网金融等领域。如何快速有效的从高速、大量的实时数据流中提取信息则成为数据流挖掘领域中的一大挑战,聚类分析是数据挖掘过程中一项重要技术,本文主要对实时数据流聚类分析算法进行研究。传统的聚类分析算法主要是对静态的数据信息处理,由于实时数据流高速性、实时性、持续性等特点,无法对其沿用传统的聚类分析算法。研究者们已提出多种面向数据流的聚类分析算法,其中,基于密度网格的聚类分析算法最能体现高效实时性,但存在网格边界处理粗糙导致精度不高、网格划分结构单一和网格动态性调整不足等问题。本文在其不足上做出改进,提出一种基于密度和网格的实时数据流聚类分析算法--DSG-Stream。该算法基于两阶段处理框架:在线层动态形成初始微簇,离线层通过宏聚类得到最终的聚类结果。该算法采用了粗细不同粒度的网格划分策略,通过网格在类簇中的位置将网格分为内部网格和边界网格:内部网格用粗粒度的网格基于网格影响因子进行聚类,边界网格则进行细粒度的聚类处理,还包含了对孤立网格的探测和处理,网格密度阈值的动态调整,从而提高了算法的效率,为了进一步提升处理效率,还设计了分布式环境下该算法的相关模型。通过实验对比和分析,DSG-Stream算法的聚类精度较高,实时性强,且运行状态稳定。最后将DSG-Stream算法应用于光纤保护监测系统中,结果显示该算法在系统中表现了良好的性能。