0 引 言
    从Apriori算法执行过程可以了解到Apriori算法的缺点：一方面，在每一次产生候选项集时循环产生的组合过多，没有具体考虑不符合阈值的组合；另一方面，对每个项集计算支持度时要对整个数据库扫描一遍，对于分析网络数据包这样大型的数据库会增加I／O开销。这种开销是随着数据库的记录的增加呈几何级数的增长。现阶段人们开始探索一种能减少系统I／O开销的更为快捷的算法，相继提出了许多改进的算法。主要有Park等人提出的基于哈希技术的DHP算法，Savasere等人提出的基于划分技术的Partition算法，Toivonen提出的抽样算法，Sampling、Zaki等人提出的基于等价类和图论的MaxCique系列算法，S．Agarwal等人提出的采用有序树数据结构的TreeP-rojection算法以及Orlando等人提出的Apriori增强版的DCP算法等。而对于挖掘数据包是网络数据包时，数据源的特征属性较多而且数据包的记录数较大，这就需要必须选择合理的算法才能发现能描述用户特征的规则。

1 引用作用度的Apriori_lift算法
1．1 作用度
    作用度是采用相关分析描述规则内在价值的度量，它描述的是项集X对Y的影响力的大小。作用度越高表示X的出现对Y出现的可能性影响越大，作用度度量的是X与Y之间蕴涵的实际强度。
    作用度表示为：

   
1．2 Aprior=>lift算法的描述
    第一步：大项集的生成；
    第二步：采用作用度找出强关联规则。
    使用第一步找到的所有频繁项集产生期望的规则。为了获取强有效关联规则，在使用信任度的基础上增加作用度计算来度量规则的有效性。具体描述过程如下：
    (1)对于每个频繁K(K≥2)项集L，产生L的所有非空子集S；
    (2)对于项集L的每个非空子集S，规则：
    如果lift[S=>(L-S)]>1，则规则“S=>(L-S)”是强有效关联规则，输出。

2 算法性能比较
    在局域网环境中(如图1所示)捕获网络数据包2 000个，分别采用Apriori，Apriori_lift算法挖掘，其挖掘过程及结果如下：

    表3是实验采用的两个数据集Tcppro，Udppro。

    表4是二种算法在不同支持度(Supp)信任度(Conf)下的挖掘结果统计。

    由表4可知，在相同的作用度与支持度的情况下，Apriori，Apriori_lift算法挖掘得到的规则逐渐递减；在不同的作用度与支持度情况下，参数值越低挖掘出的规则越多，这主要体现在Apriori算法的挖掘上，而对于Apriori_lift算法当参数值达到一定阈值时，改变参数值对其挖掘结果影响不大，改善了挖掘规则遗漏的情况。
    由表4可以看出，Apriori算法和Apriori_lift算法的运行时间随挖掘规则变化的比较情况。Apriori算法随着挖掘结果中规则数的增长，时间上有数量级的提高，而Apriori_lift随着时间的增长，其挖掘出的规则数量增幅不大。而Apriori_lift存在额外的作用度比较的开销，在高支持度时，由于要处理的频繁项目及模式数目都较少，此时从挖掘结果上看Apriori_lift表现了比Apriori更好的性能。