王鹏，王健安，郭畅，巴济慈

（长春理工大学 计算机科学技术学院，长春 130022）

随着网络技术的飞速发展，存储于计算机中的数据文件呈爆炸式的发展。这些数据又称为海量数据，这类数据常常伴随着噪声而且是异构数据，其很难直接被用户理解。如何从这样的数据里提取出规律和模式已经成为一个难题。数据挖掘作为一门能够高效的、便于扩展的解决以上问题的技术应运而生。选择云计算做海量数据的分类数据挖掘处理，可以减少构建分布式计算平台的开销，同时将底层屏蔽掉，便于开发，使得原有的设备拥有对大数据集的较高处理效率，增加了节点的个数和容错能力，提高了从海量数据中提取有效信息的能力［1，2］。

1 SPRINT算法

SPRINT算法主要包括树的创建与剪枝过程，由于在创建决策树时要求数次遍历数据，但剪枝却不需此过程，所以，对树的剪枝时间基本仅有创建数的百分之一。因此，我们把重点放在树的创建上；另外一方面，基于二叉树简洁又精准的特点，本文选择的是创建二叉树。

1.1 数据结构

SPRINT算法表示数据特征的方式是采用属性表与直方图这两种数据结构，其中，后者是依附在前者之上，而前者又是随着节点的划分而分裂的。它会依据属性的不同性质，如连续型或离散型而显现出相应的表现形式。

属性表是属性值，类标记和记录索引构成的三元组，它可以驻留在除内存外的介质上。直方图是表示节点上的一个属性所属类的分布情况，当属性是连续的数值型时，节点就涉及两个直方图：Cbelow表示已经处理完毕的样本的类型分布，而Cabove表示尚没处理的样本，它们通过不间断的刷新来找到最佳分裂点；……