信息共享时代的来临,全球每天都在产生数以亿计的数据。有使用价值的数据随着数据总体基数的增多而变得越来越多,但总体来看这部分数据还是只占少数。面对如此情况,人们急需将其快速发掘出来。分类、聚类和频繁项集挖掘等数据挖掘技术被广泛用于从大型数据集中提取出有用或相关的信息。频繁项集挖掘作为最经常使用的方法之一,可以从大量数据中挖掘出有趣并且具有内在联系的模式,从而帮助人们更好的决策。近年来,其被广泛应用于犯罪预测、网络安全、股票预测和生物基因信息分析等领域。由于频繁项集的挖掘存在大量迭代计算过程,通常会耗费让人难以忍受的时间,所以设计一种快速高效的频繁项集挖掘算法具有重要的理论和实际意义。传统的基于候选测试的挖掘算法主要面临候选项集生成数量过多以及频繁扫描数据库的问题,而非候选测试的挖掘算法主要是采用FP-Tree来压缩数据库,然后通过构造项的条件模式树递归挖掘,当项的数量较大时,递归挖掘容易造成内存溢出。随着数据量的不断增长,传统单机版算法产生频繁项集的效率愈来愈低。频繁项集挖掘由于其迭代计算的特点,加之众多分布式计算框架的出现,为提高挖掘效率带来了新思路,频繁项集的分布式挖掘是当下研究热点。通过对频繁项集挖掘及分布式计算领域内大量相关文献的阅读,本文设计了一种新颖的位串模式增长策略,采用位串表达项集,利用位操作来快速生成候选项集,提出了基于位串的Mafibs算法。其次,针对超长位串计算效率低的问题,又设计了位串分组策略和位串连接策略,基于这两种策略,在Mafibs算法的基础上提出了改进的Fmafibs算法,该算法对超长位串进行分组,首先生成每个组内包含的频繁位串,而后将同一事务不同组产生的频繁位串通过连接策略获得组间候选位串,通过将一次性生成的候选位串和利用位串连接策略生成的候选位串进行聚合和过滤得到最终频繁位串,最后将频繁位串进行解析,得到全部的频繁项集。Spark由于其特殊的缓存机制,易于处理大数据,所以本文将所提出的算法在Spark计算平台上进行了实现,并且使用频繁项集挖掘领域内的公共数据集进行了实验验证,结果表明本文所提算法在保证挖掘结果准确的同时,有效地提高了挖掘效率。