随着“大数据”时代的到来以及物联网的普及,越来越多的数据由传统的静态数据转变为动态数据流的形式,随之实时数据流的挖掘技术也逐渐成为了该领域的研究热点。由于数据流具有时序性、连续性、动态变化等特点,传统的聚类算法已经无法对其进行有效聚类。此前不少研究学者已经对数据流聚类算法进行了研究工作,提出了一些数据流聚类算法。但是由于数据流聚类的复杂性和应用场景的多样性,现有算法依然具有可改进的空间。已有算法主要存在以下不足:聚类精度不够高、分布式环境下的聚类困难、高维性能较差等。本文利用经典流聚类框架和基于密度的聚类技术,研究数据流聚类算法。主要工作如下:本文基于经典流聚类框架CluStream和密度聚类算法DBSCAN,提出了一种数据流密度聚类算法DBS-Stream。并针对DBS-Stream算法提出了分布式并行化的设计方案,且把它部署在实时流计算平台Storm上进行了实现。在提高精度方面,该算法局部站点沿用CluStream两段式经典框架,其中在线微聚类中局部站点使用DBSCAN代替K-means进行聚类产生局部微簇,解决任意形状聚类问题,并在局部站点快速更新数据,中心站点再次使用DBSCAN算法进行全局聚类,有效提高了聚类的质量与通信代价。在流聚类分布式并行化方面,本文对DBS-Stream算法进行了分布式并行化设计,并将其部署在Storm流式计算平台上,有效体现了流聚类算法的实时聚类效果。本文通过有效性分析、通信代价、线程压力、处理时间等方面设计了对CluStream算法的对比实验,并进行了结果分析。验证表明,该算法在通信代价上占有明显的优势,对噪声点的处理既降低了通信代价,也提高了聚类的质量和效率,而且DBS-Stream算法可以处理任意形状的数据流,在聚类结果的形状上没有偏倚,具有一定的理论价值与实用性。