基于復變函數的混合型大數據多源集成系統設計

摘 ?要： 現有混合型大數據多源集成系統存在集成度較低、耦合度較低的缺陷，為了解決上述問題，引入復變函數對混合型大數據多源集成系統進行設計。根據現有系統存在的問題，搭建系統架構，以此為基礎，對系統硬件計算機體系進行設計，主要由處理單元、存儲單元與輸入輸出單元組成。系統軟件主要包括數據庫模塊、數據查詢模塊與混合型數據多源集成模塊。通過系統硬件與軟件的設計，實現了混合型大數據多源集成系統的運行。通過測試得到，與現有混合型大數據多源集成系統相比，設計的混合型大數據多源集成系統極大地提升了集成度與耦合度，充分說明設計的混合型大數據多源集成系統具備更好的數據集成效果。

關鍵詞： 復變函數; 混合型大數據; 多源集成系統; 集成度; 耦合度; 數據管理子模塊

中圖分類號： TN99?34; G255 ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）01?0183?04

Design of mixed big data multi?source integrated system

based on function of complex variable

ZHOU Zhijin

Abstract： The function of complex variable is introduced to design a mixed big data multi?source integrated system to deal with the defects that the existing mixed big data multi?source integrated system has low level of integration and degree of coupling. The system architecture is built in consideration of the existing system problems. The hardware computer system is designed on the basis of the built system architecture， which is mainly composed of processing unit， storage unit and input and output unit. The software of the system mainly includes database module， data query module and mixed data multi?source integrated module. The operation of mixed big data multi?source integrated system is realized by designing the system hardware and software. The test results show that， compared with the existing mixed big data multi?source integrated system， the mixed big data multi?source integrated system greatly improves the level of integration and coupling degree， which fully demonstrates that the designed mixed big data multi?source integrated system has better effect of data integration.

Keywords： function of complex variable; mixed big data; multi?source integrated system; level of integration; degree of coupling; data management sub?module

0 ?引 ?言

隨著我國數字化的發展，每個領域數據的數量都在逐漸增多，并且數據來源也在不斷增加，導致數據結構為混合型數據，要想對其進行查詢，提取較為復雜。為了滿足現今社會對數據的需求，需對混合型大數據進行多源集成，經過數據集成對數據進行相應的整理。由于大數據時代的到來，如何對混合型大數據進行多源集成成為目前重點研究問題之一[1]。

就現有的研究來看，國內外對混合型大數據多源集成研究均取得了一定成果，使用較為廣泛的主要為CORDS系統、TSIMMIS系統以及基于SSH架構的數據集成系統。其中，CORDS系統主要是通過對多源數據之間的關系進行研究，以此為基礎，對其進行集成，滿足用戶查詢與提取的需求;TSIMMIS系統主要依據中間描述語言對中間件與包裝器進行組件，以此為工具，在混合型大數據中對需求數據進行查詢與提取，實現混合型大數據的多源集成;基于SSH架構的數據集成系統通過對混合型大數據進行深入研究，通過Spring，Struts與Hibernate技術，提升了數據的集成度與耦合度，并采用Hadoop技術對大數據進行多源集成。上述三種方法具有各自的優勢，但是其均存在著集成度較低、耦合度較低的缺陷，無法滿足用戶對數據提取的需求，為了解決上述問題，基于復變函數對混合型大數據多源集成系統進行設計[2]。復變函數指的是自變量與因變量為復數的函數。通過復變函數的應用，可以極大地改善混合型大數據多源集成系統的性能，對現有系統存在的問題進行解決[3]，同時，設計測試實驗對系統性能進行相應的測試與分析。

1 ?混合型大數據多源集成系統架構設計

通過對現有系統存在問題的分析，本著解決問題的目標，對混合型大數據多源集成系統架構進行設計[4]。混合型大數據多源集成系統架構如圖1所示。

如圖1所示，混合型大數據多源集成系統架構設計主要采用前后端分離的形式，軟件開發主要采用MVC結構，完成了系統每個層次的封裝處理，使數據調用過程相互獨立，為系統安全提供了有效的保障[5]。

2 ?混合型大數據多源集成系統硬件設計

混合型大數據多源集成系統硬件設備主要為計算機體系，其主要由處理單元、存儲單元與輸入輸出單元構成[6]。計算機體系硬件結構如圖2所示。

2.1 ?處理單元

處理單元是計算機體系的大腦，其核心硬件為處理器，通常采用CPU對其進行表示，CPU實質上是一個集成的運算器與控制器。其中，運算器主要進行算術與邏輯運算，分為算術邏輯單元與運算寄存器組;控制器主要獲取指令，經過相應的處理向各部件發送控制信號，分為指令寄存器、指令譯碼器與程序計數器等[7]。CPU參數設置情況如表1所示。

表1 ?CPU參數設置

[參數名稱 表示內容 參數設置 主頻 CPU內部元部件的工作頻率 1.7 GHz 字長 CPU處理二進制的位數 32位 外頻 CPU進行信息交換的頻率 200 MHz ]

2.2 ?存儲單元

存儲單元主要是實現計算機體系的記憶功能，是程序代碼與數據的載體。存儲單元的結構如圖3所示。

其中，外部低速存儲器是目前使用較為廣泛的存儲器，一般以磁或光的形式對數據進行相應的存儲。

2.3 ?輸入輸出單元

輸入輸出單元是計算機體系的重要組成部分，主要由輸入設備與輸出設備組成[8]。輸入設備主要是將程序、數據、字符、文字、命令等信息輸入到計算機中;輸出設備主要是將計算機得到的中間結果或者最終結果以數據、文字或者信號的形式輸出[9]。輸入輸出單元電路如圖4所示。

通過上述過程完成了系統硬件的設計，但是其無法實現大數據的多源集成，為此對系統軟件進行設計[10]。

3 ?混合型大數據多源集成系統軟件設計

系統軟件設計主要包括數據庫模塊、數據查詢模塊與混合型數據多源集成模塊[11]。具體內容如下所示。

3.1 ?數據庫模塊

為了實現混合型大數據的多源集成，對數據庫模塊進行設計，其主要由調度子模塊與數據管理子模塊構成[12]。其中，調度子模塊主要是對數據集成進行相應的調度，數據控制調度表如表2所示。

數據管理子模塊主要是對數據庫中的數據進行編碼管理，其基本信息情況如表3所示。

3.2 ?數據查詢模塊

要想對混合型大數據進行多源集合，首先要根據用戶的需求在數據庫中對相關數據進行查詢與提取。現有系統數據查詢速度較慢、查詢結果較差，為此采用蟻群算法對數據進行查詢[13]。

蟻群算法實質上是一種尋找最優路徑的概率型算法，原理圖如圖5所示。

數據查詢過程為：

[costx=ixi?α2]

式中[α]表示查詢因子。

3.3 ?混合型數據多源集成模塊

依據上述數據查詢與提取結果為依據，通過復變函數對混合型大數據進行多源集成[14]。

混合型大數據多源集成過程就是將用戶需求數據進行整合的過程。復變函數可以對數據進行抽取、轉換與裝載，即混合型大數據多源集成過程為：數據抽取、數據轉換與清洗、數據加載[15]。

混合型大數據多源集成流程圖如圖6所示。

通過系統硬件與軟件的設計，實現了混合型大數據多源集成系統的運行，為用戶提供更加精準的數據。

4 ?系統性能測試

上述過程實現了混合型大數據多源集成系統的設計與運行，但是對其是否能夠解決現有系統存在的難題還不能確定，為此設計仿真對比實驗對設計系統的性能進行相應的測試與分析。實驗過程中，主要采用設計系統與CORDS系統、TSIMMIS系統以及基于SSH架構的數據集成系統進行對比實驗，通過集成度與耦合度對系統性能進行體現。具體實驗結果分析過程如下：

4.1 ?集成度對比分析

通過實驗得到集成度對比情況如表4所示。

通過表4可知，設計系統的集成度遠遠高于現有三種系統，其最大值可以達到97%。

4.2 ?耦合度對比分析

耦合度表示系統軟件之間的耦合力，耦合度越高，則表示系統性能越好。通過實驗得到耦合度對比情況如圖7所示。

由圖7可知，設計系統的耦合度遠遠高于現有三種系統，其最大值可以達到93%。

通過測試結果顯示，設計的混合型大數據多源集成系統極大地提升了集成度與耦合度，充分說明設計的混合型大數據多源集成系統具備更好的數據集成效果。

5 ?結 ?語

本文設計的混合型大數據多源集成系統極大地提升了集成度與耦合度，可以為用戶提供更加精準的數據。但是實驗過程中，由于實驗參數的設置，導致實驗結果與實際結果有著一定的偏差，雖然不影響實驗結論，但是不夠精確，因此需要對設計的混合型大數據多源集成系統進行進一步的研究與優化。

參考文獻

[1] 劉聲.數學專業復變函數教學方法探討[J].數學學習與研究，2017，12（24）：12.

[2] 王林童，趙騰，張焰，等.配用電大數據多源集成及存儲優化方法[J].高電壓技術，2018，44（4）：1131?1139.

[3] 余小高，余小鵬.基于Web服務、移動代理和本體的教育大數據集成研究[J].信息通信，2017，45（9）：35?38.

[4] 何偉，張倫寧，賀成成，等.地災監測的大數據信息平臺研究及應用[J].測繪通報，2019（1）：127?131.

[5] 張治，戚業國.基于大數據的多源多維綜合素質評價模型的構建[J].中國電化教育，2017，29（9）：69?77.

[6] 王卷樂，程凱，邊玲玲，等.面向SDGs和美麗中國評價的地球大數據集成框架與關鍵技術[J].遙感技術與應用，2018（5）：3?11.

[7] 史欣田，龐景月，張新，等.基于集成極限學習機的衛星大數據分析[J].儀器儀表學報，2018，39（12）：81?91.

[8] 武鴻亮.基于大數據的Web數據集成及數據挖掘技術的研究[J].科研，2017（9）：144.

[9] 章泳，李槐.大數據下的Web數據集成與挖掘[J].電子技術與軟件工程，2017，56（22）：184.

[10] 李紅斌，王嘉偉.基于多源信息的數控機床故障診斷系統的設計與實現[J].電子設計工程，2018，26（18）：84?88.

[11] 申建建，曹瑞，蘇承國，等.水火風光多源發電調度系統大數據平臺架構及關鍵技術[J].中國電機工程學報，2019，39（1）：43?55.

[12] 劉金晶，曹文潔.基于本體論的多源異構數據集成方法研究[J].軟件導刊，2018，17（3）：198?200.

[13] 李敏波，王海鵬，陳松奎，等.工業大數據分析技術與輪胎銷售數據預測[J].計算機工程與應用，2017，53（11）：100?109.

[14] 劉瑜，詹朝暉，朱遞，等.集成多源地理大數據感知城市空間分異格局[J].武漢大學學報（信息科學版），2018，43（3）：327?335.

[15] 潘可佳，王鑫，楊帆，等.面向電力大數據的多源異構數據融合技術研究[J].機械與電子，2017，35（9）：7?11.

作者簡介：周志進（1988—），男，貴州貴陽人，碩士，講師，研究方向為函數論。