随着工业信息化和传感器网络的飞速发展,在网络监控、工业控制、股票交易、互联网通信等诸多领域中产生了连续到达、实时变化的数据流。规模巨大的流数据中蕴含了大量的价值信息,数据挖掘技术因为能够发现海量数据中的有效信息而成为流数据领域的热点研究对象。其中,实时流数据上的聚类分析是数据挖掘中的主要热点之一。通过聚类可以将数据集合分割为几个称为簇或者类别的子集,使同一簇中的对象具有尽可能大的相似性,不同簇的对象具有尽可能大的相异性。通过聚类分析对数据集合进行合理划分,有助于识别流数据群组中隐含的模式信息,异常数据和波动事件等等。Clu Stream算法提出一种在单遍扫描流数据时的两阶段聚类框架,在线更新阶段使用微簇快照存储聚类概要信息,并在离线分析阶段使用金字塔时间框架响应不同粒度的聚类请求。但是其在窗口划分和簇结构更新时没有考虑历史数据的影响,无法体现新旧数据的重要性差异。同时其固定的微簇总数也导致其在处理类簇特征演化上存在一定缺陷,没有及时反映类簇的分裂融合等情况。本文通过提出一种基于Clu Stream的聚类改进算法,在有效识别新旧不同类簇的同时提升原算法的准确度和性能,并提出一种针对流数据聚类分析的服务化模式,有效解决流数据挖掘分析的伸缩扩展问题。本文主要研究工作和贡献如下:1.针对Clu Stream没有考虑历史数据影响权重的问题,引入衰减函数,并添加周期性自适应迭代策略,动态调节全局微簇结构,相比原算法,误差平方和降低5%,聚类纯度和轮廓系数也分别有3%和6%的提升。2.针对传统单机式架构下的算法性能问题,本文提出一种基于分布式环境下的流数据实时聚类算法实现,有效提升对大规模数据流的聚类分析性能,系统整体吞吐率提升3倍,缩短总体的挖掘时间。3.通过对流数据聚类的服务化建模,实现一套针对流数据聚类服务的原型系统,能够支持流数据的共享拓展,并提供了服务的组合监控功能。