关联规则挖掘是实现从大数据中提取有价值的信息的常用方法,旨在从数据中发现经常出现的项目、高相关性的信息。针对目前单机算法的处理能力已无法适应海量数据的应用场景,同时传统的并行关联规则挖掘方法存在I/O开销大、可扩展性差、计算效率低、资源占用率高等问题。针对上述问题,以Apriori算法和FP-Growth算法为蓝本,结合布隆过滤器和哈希树等数据结构提出基于分布式框架的并行关联规则挖掘算法。其一,基于Hadoop-MapReduce框架结合布隆过滤器提出一种并行挖掘出频繁集算法P-FIM,仅需两次MapReduce过程,同时通过减少MapTask数量、精简事务集且无需生成全局候选集、有效的减少I/O开销,从而提升计算效率。其二,基于Spark分布式框架结合布隆过滤器和哈希树提出一种自适应数据迭代挖掘频繁集的动态关联规则挖掘算法D-Apriori,采用动态自适应寻优方式选择计算效率更高的挖掘模式,从而达到最大化计算效率。实验测试结果表明,通过多个并行算法的评价指标验证本文两种算法的有效性,通过与主流的四种算法基于不同支持度、数据集的对比分析验证本文两种算法都有很好的计算效率,此外两种算法分别基于Spark、Hadoop实现,观察两种框架对算法的提升效果,均能快速挖掘大数据集、Spark对迭代算法D-Apriori提升幅度更大、Hadoop则更适合对内存高需求的P-FIM算法。该论文有图42幅,表13个,参考文献63篇。