R2：Thigh AMhigh----Ulow  s=0.286 c=0.286/0.448=63.8%
从这些得到的规则在一定程度(置信度)反应了各个属性之间隐含的关系，如：规则R1表示为当局域网络的数据流量中TCP包的百分比为高时(high)并且UDP包的百分比是低时(low)，我们以得出此时每秒钟平均数据位为高(high)。而通过运算我们知道当全部事务中有28.6%符合这一规则，同时TCP包的百分比为高(high)并且UDP包的百分比为低(low)时，此时就会出现87.2%的情况每秒数据位为高(high)。这就是我们通过模糊关联规则知识发现算法而发现网络运行时其流量的变化规律[15]。
6. 结论
数据关联是数据库中存在的一类重要的可被发现的知识，关联分析其目的就是挖掘数据库中隐含的属性之间的关系。因为我们有时其实并不知道我们研究的数据库中数据的关联函数，并且有时就算我们知道了关联函数它也是不确定的，所以关联分析生成的规则我们需要加上可信度。并且我们也知道关联规则知识发现就是为了挖掘海量数据库中的项集它们之间有用的关联。因此，关联规则数据挖掘是个非常富有前景的研究领域，其应用正日益扩展，是一个极具吸引力和挑战性的研究领域。随着信息量的增加及软硬件技术的发展，关联规则数据挖掘和知识发现将有更广泛的应用前景[16]。
该文还采用模糊集理论，对模糊属性进行转换，提取数据源中的模糊关联规则，并提出了模糊关联规则挖掘算法，讨论了利用模糊集理论与方法求解数量相关问题的方法。然后用模糊关联规则知识发现算法先通过相关的计算求出支持度来找出最大的频繁模糊的项目集，然后从最大的频繁模糊的项目中找出我们所需要的规则待定选集，最后就是对规则待定选集求出置信度，这样我们就计算出最后所需要的模糊关联规则。针对算法的正确性检验，对局域网的属性数据库进行了测试。结果表明，在一定程度上，模糊关联规则知识发现算法是合理的，但是对模糊集理论在知识发现中的作用需要进一步研究。 模糊关联规则知识发现算法研究+文献综述(9):http://www.youerw.com/tongxin/lunwen_1529.html