数据流序列模式挖掘是数据挖掘研究中的一个重要分支，是在多数据流数据中挖掘频繁子序列的过程。传统的序列模式算法具有内存消耗大，不适应数据流数据及执行效率低等特点，因而无法直接移植使用。同时数据流具有快速、连续、无约束等特征。候选模式修剪不足，模式兴趣度等因素考虑不足是目前的数据流序列模式算法存在的主要问题。首先，提出一种基于有向图的数据流增量的频繁项集的算法IMIGM。该算法使用增量方法仅仅一次扫描，就能挖掘在线多数据流。设计数据结构有向图用来存储随机访问的项集。当这些事物达到滑动窗口的容量时，top-k频繁项集将通过遍历有向图输出。通过删除旧的事物，替换成新的事物，有向图将被更新。同时，整个挖掘过程重复执行。其次，提出一种基于有向图的数据流序列模式算法IMSPGM。为了研究数据流中的序列模式，可以把数据流按等长的时间划分为不同的段。一个窗口中可以有多个片段，窗口每次滑动1个片段。该算法使用增量方法仅仅需要一次扫描，同时设定了片段支持度阈值min_sup和窗口支持度阈值MIN_SUP。一个叫有向图的数据结构用来存储频繁序列。当这些事物达到滑动窗口的容量时，频繁序列将通过遍历有向图输出。通过删除旧的片段，替换成新的片段，有向图将被更新。最后，在软件安全漏洞的检测方面，结合实际的应用，对提出的算法进行一种实例分析。本文实验使用MyEclipse开发工具，通过java语言实现。通过实验证明算法在运行效率，内存使用以及算法可扩展性等方面具有优越性。