频繁子图挖掘是图数据挖掘一个重要的研究方向,为的是找到图数据集合里频繁存在的子图集模式,从而找到图数据集合所包含的规律。随着数据正在迅速膨胀并变大,由于传统的频繁子图挖掘算法在时间需求上大都呈现指数级别的增长,在时间需求上无法满足对大规模图数据的挖掘。因此,针对大规模图数据频繁子图的挖掘设计出基于MapReduce的大规模图数据集频繁子图挖掘系统。基于MapReduce的大规模图数据集频繁子图挖掘系统为了满足用户在时间需求上的要求,利用MapReduce框架和并行计算,将图数据集分为几个小部分,并行执行挖掘算法,从而实现挖掘大规模图数据的目标,在一定程度上提高挖掘效率。其次,考虑到分布式情况下会产生一些问题:第一,复制图的问题;第二,本地频繁与全局频繁的问题,提出相应的解决办法。首先根据复制图产生的原理,利用嵌入技术,通过保存本地已经生成的候选子图集,并将新生成的候选子图与之比较,从而解决复制图问题。通过添加一轮MapReduce,每次迭代都得到该轮的全局频繁子图集并将其作为下次迭代的输入,从而解决了本地频繁与全局频繁的问题。最后,在Hadoop平台搭建集群上,用了6个数据集,采用3种不同的支持度并且分别在2个节点以及4个节点的情况下对基于MapReduce的频繁子图挖掘系统进行了测试。实验结果表明测试结果表明,相比于传统频繁子图挖掘方法,在相同的硬件条件下,能够支持更大规模图数据集的频繁子图挖掘。同时,在时间需求方面要明显优于指数级递增的传统频繁子图挖掘方法,具有更高的挖掘效率。