随着信息技术的迅猛发展，各个部门积累了海量数据，迫切要求从这些数据中自动地采掘有价值的信息和知识以支持决策。于是数据采掘技术应运而生。关联规则采掘是数据采掘中的一个重要分支，也是目前应用最广泛的一种数据采掘类型。 目前传统的关联规则采掘技术大多采用串行算法，例如Level-wise算法、non-level-wise算法以及不产生候选项目集的算法，其中R．Agrawal等人提出的Apriori算法是处理事务数据库中大项目集较为有效的算法。这些算法总的来说，都需要对数据库作多遍重复扫描，降低了采掘效率，不能满足大数据库的要求。随着分布式数据库的发展，提出了采掘关联规则更有效的并行算法，如Level-wise并行模式，DMA并行模式等，明显地提高了采掘效率。其中pSPADE算法是一种广泛应用于大型数据库上快速采掘频繁序列的有效并行算法，它将搜索空间分成了更小的基于后缀的类，可在每个处理器上独立地处理，实现了数据的本地性最大化和同步的最小化。 本文通过对pSPADE算法的研究，发现算法执行中，处理器将所有的类和它的中间id列表存于主存，导致了大量的内存开销。当处理更大的数据集时，容易产生内存不足而溢出。本文根据搜索算法内存管理的思想，提出了一种内存扩展方案来解决这一问题。在内存不足和获得足够内存两种情况下，把部分类写入磁盘，释放了内存空间，缓解了内存的压力。在程序需要时，再将写入磁盘的类加入共享队列作为多余的类处理。本文通过对这种方案的分析，指出了它的优缺点和适用范围。