随着信息技术的不断进步以及各行业的稳步发展,每个行业每天累积的数据量迅猛增长,对于数据处理的实时性要求也越来越高。选择一个可靠且高效的方法将不断更新的数据进行存储和处理十分重要且紧急。关联规则挖掘在数据挖掘领域中的地位十分重要,针对增量数据进行关联规则挖掘的研究价值较高并且应用前景广阔。论文主要针对增量数据关联规则提取问题进行研究,分析现有的针对增量数据所进行的关联规则挖掘算法各自的特点。提出了基于缓冲区技术的增量数据关联规则提取方法并且将其移植到Spark环境之中。研究有关蕴含强度的概念并将其作为判断所提取出的规则是否为关联规则的标准之一。论文具体研究内容主要包括:针对增量数据关联规则提取方法进行研究,对该领域中的经典算法以及针对动态数据的处理方法进行分析和总结。由于增量数据具有较高的实时性并且随时间变化不断进行更新,数据量往往十分巨大,因此对数据的扫描只能进行有限次。如果选择利用传统的FP-Growth算法进行增量数据挖掘工作,需要多次扫描数据库,这大大降低了算法执行效率,它的改进算法CAN虽然避免了多次扫描事务数据库以及建树工作,但是当数据增量改变时仍需多次更新树中结点计数并且伴随有数据丢失的情况发生。针对上述这些问题提出了一种基于缓冲区技术的增量数据关联规则提取方法AB-Tree,利用缓冲区技术批量处理数据,减少对树的频繁扫描,减少数据丢失的情况发生并且将算法移植到Spark环境中实现并行计算从而能够有效提高关联规则的挖掘效率。在原有对关联规则提取过程中利用最小支持度阈值进行判断其是否为挖掘结果的情况下加入蕴含强度概念。利用单一的判断方法所提取出的规则会存在负相关现象即一个事件发生会降低另一个事件发生的可能性,引入蕴含强度概念后可以提高规则独立性并且挖掘结果的准确性和可用性也有一定提高。将基于缓冲区的增量数据关联规则提取算法应用到实际生活之中。首先对事务数据库中的数据进行预处理,将事务中的项目按照指定顺序排列,去除掉噪声数据和错误数据后再对其进行关联规则的提取,分析提取出的结果可以为商家制定更好的销售模式从而增加销量。采用对比实验的方法证明算法真实有效。