煙草科研大數據標準體系的構建

胡良霖，朱艷華，高瑜蔚，陳 希，賈 楠，王 銳，馮偉華，邱紀青*

1.中國科學院計算機網絡信息中心，北京市海淀區中關村南四街4 號 100190

2.中國煙草總公司鄭州煙草研究院，鄭州高新技術產業開發區楓楊街2 號 450001

當前全球科技創新已經進入大數據時代，科研大數據也已成為科學發現的新型基礎性戰略資源。將數據轉換為知識能力正成為衡量一個國家、一個行業科學研究水平的關鍵。煙草科研大數據是指煙草農業、工業、商業等領域產生的與科研活動相關的數據，是煙草產業鏈各類活動中所產生的全部數據和信息的總和，既有實驗數據、調查數據、研究報告等原始或經過加工的業務數據，也包括論文、專利、項目成果、標準規范等科技成果數據。在煙草行業建立科研大數據環境，充分匯聚、深入分析并有效利用煙草科研數據，是提升煙草行業研發水平和效能、推動行業科技進步的重要手段。近年來隨著大數據技術的快速發展和廣泛應用，大數據領域的標準制定已成為相關國際標準化組織和研究機構共同關注的熱點，而煙草行業大數據標準體系建設目前尚處于起步階段。大數據標準化工作可以有效集成煙草科研大數據資源，固化煙草數據資源管理經驗，促進煙草數據資源有序、規范和高效利用。為此，通過對國內外大數據標準進行研究分析，結合煙草行業科研數據現狀，構建了煙草科研大數據標準體系，以期為煙草行業科學數據的采集與分析奠定基礎，更好地發揮煙草科研大數據的作用。

1 國內外大數據標準研究現狀

1.1 國際大數據標準研究進展

目前大數據標準化工作主要集中在國際標準化組織ISO/IEC JTC1/WG9 大數據工作組（以下簡稱WG9）、ISO/IEC JTC1/SC32“數據管理和交換”分技術委員會（以下簡稱SC32）、國際電信聯盟電信標準分局（以下簡稱ITU-T）和美國國家標準技術研究院（以下簡稱NIST）等機構［1］。其中，WG9成立于2014 年11 月，主要工作是聚焦和支持JTC1的大數據標準計劃；編制大數據基礎標準和基于基礎標準的其他大數據標準，以及識別大數據標準化中的差距等。SC32 致力于研制信息系統環境內部及其之間的數據管理與交換，協調跨行業和領域的數據管理能力。2014 年6 月SC32 啟動了4 項大數據標準化工作，主要涉及結構化查詢語言對多維數組的支持、結構化查詢語言對JS 對象標記的支持、數據集注冊元模型、數據源注冊元模型等。ITU-T 重點研究大數據云計算及相關技術［2］，在2013 年11 月發布的《大數據：今天巨大，明天平常》技術報告中，分析了ITU-T 開展的標準化工作，提出了大數據基本特征、大數據發展所需要的技術、面臨的困難和挑戰以及未來發展方向等。NIST 于2013 年6 月成立了大數據公共工作組，通過建立來自產業界、學術界和政府的公共環境，在定義［3］、術語、安全參考體系結構［4-5］和技術路線圖［6］等方面達成共識，為大數據的使用提供最佳方案。

1.2 國內大數據標準研究進展

為順應和滿足大數據技術快速發展的需要，我國于2015 年8 月發布的《促進大數據發展行動綱要》提出：“建立標準規范體系。推進大數據產業標準體系建設，加快建立政府部門、事業單位等公共機構的數據標準和統計標準體系，推進數據采集、政府數據開放、指標口徑、分類目錄、交換接口、訪問接口、數據質量、數據交易、技術產品、安全保密等關鍵共性標準的制定和實施。開展標準驗證和應用試點示范，建立標準符合性評估體系，充分發揮標準在培育服務市場、提升服務能力、支撐行業管理等方面的作用”［7］。

2015 年底全國信息技術標準化技術委員會大數據標準工作組成立，負責制定和完善我國大數據領域標準體系，組織開展大數據相關技術和標準研究，并確認了12 項國家大數據標準研制任務，其中由中國科學院計算機網絡信息中心牽頭研制的《科學數據引用》和《數據溯源描述模型》2項國家標準已正式發布。同時，中國電子技術標準化研究院發布了《大數據標準化白皮書V2.0》，提出了大數據標準體系框架，指出大數據標準體系應由基礎標準、技術標準、產品和平臺標準、安全標準、應用和服務標準5 個類別的標準組成［8］。中國科學院計算機網絡信息中心研制完成了科學數據共享標準體系，包括數據資源建設、管理、應用服務等方面的標準40 余項［9］。此外，王卷樂等［10］初步建立了地球系統科學數據共享標準規范體系框架，共包括18 項標準規范；齊建軍等［11］發布了《工業大數據白皮書（2017 版）》，包括工業大數據標準化工作范圍、工業大數據定義及特性、工業大數據標準體系框架等內容；林旺群等［12］提出特定領域大數據標準體系主要由基礎、技術、平臺、應用、安全和質量6 類標準組成。

1.3 煙草科研大數據標準研究現狀

煙草行業經過30 多年的發展，特別是近10 年信息技術的持續進步，極大提高了行業信息化水平。為滿足工商企業對數據管理的需求，煙草行業先后制定并發布了《煙草行業主數據》系列標準（YQ-XX/T 2—2017）、《煙草行業數據中心交換服務體系WEB 業務服務》（YC/T 324—2009）、《煙草行業數據元 第1 部分：結構與原則》（YC/T 534.1—2015）、《煙草行業組織機構代碼編制規則》（YC/T 190—2005）、《煙草行業人力資源代碼》系列標準（YC/T 258—2008）、《煙草行業數據中心人力資源數據元》系列標準（YC/T 451—2012）、《煙草行業企業應用集成技術規范》系列標準（YC/T 493—2014）、《卷煙零售市場信息采集和分析應用基本規范》系列標準（YC/T 455—2013）、《煙用材料編碼》系列標準（YC/T 209—2006）、《煙用材料數據元》系列標準（YC/T 326—2009）、《煙草行業地理信息共享服務基本規范》系列標準（YC/T 474—2013）等數據標準和規范，對規范工商企業數據交換和數據共享起到積極促進作用。在煙草科研領域也開展了相關規范、分類和代碼標準的研究工作，發布實施了《煙草種子 品種命名原則》（GB/T 16448—2013）、《煙葉代碼》系列標準（YC/T 210—2016）等標準，但針對煙草科研大數據標準體系規劃和建設尚未開展相關研究。

1.4 煙草科研大數據的特點

通過調研煙草行業內外企事業單位科研活動和數據資源情況［13］，發現煙草科研數據資源具有以下特點：①數據內容豐富。涉及煙草農業、煙草工業、煙草科研等方面，這些數據主要產生于煙草工農業生產和科研過程中，與行業科技創新績效密切相關。②數據類型多樣。煙草科研數據類型主要包括生產、實驗、觀測、統計、文獻等數據，以不同格式分散在不同數據庫系統、網站平臺以及科研機構和工商企業中。③數據連續性與相關性強。經過30 多年的發展，煙草行業全產業鏈已經積累了大量科研數據，這些數據具有一定的連續性且關系密切，每個階段記錄的數據都是下一發展階段的起點和依據。

盡管煙草行業現有科研數據之間存在較強相關性，但由于數據產生時間和來源不同，采用的標準和軟硬件平臺存在差異，且缺乏統一標準和頂層設計，難以實現數據的互聯互通。此外，科研數據中非結構化數據所占比例較大，對數據共享和利用造成較大影響，導致科研人員難以從海量數據中識別有價值的數據信息，數據之間潛在的關系需要進行規范化處理后才能被有效發現和使用。

2 煙草科研大數據標準體系構建基本原則

標準體系是指一定范圍內的標準按其內在聯系形成的科學的有機整體［14］。基于此，煙草科研大數據標準體系則是根據煙草科研大數據資源分類與資源管理生命周期的內在聯系形成的各類標準的有機整體，該體系的構建要遵循以下4項原則。

（1）實用性且有切實需求。以煙草行業科研活動的實際需求為驅動，準確把握煙草科研主體的應用需求，強化煙草科研大數據資源體系與數據標準體系的頂層設計，開展需求分析、整體規劃等工作。標準體系是對煙草科研大數據全生命周期管理關鍵節點的規范化，要與實際業務對接，切實提高大數據驅動煙草科研創新的效率。

（2）科學性且要適度前瞻。充分借鑒和兼容國內外大數據標準現有研究成果，結合國內煙草科研大數據的特點，在提高標準化對業務支撐的有效性和準確性的基礎上，適度前瞻，保障標準研制的科學性和前沿性，從中發現新知識、創造新價值、提升新能力。

（3）體系性且可動態完善。煙草科研大數據標準體系作為一個開放的、可擴展系統，在遵循煙草業務和大數據技術相關國家標準的基礎上，著眼于現狀和未來發展，兼顧近期需求和長期目標，及時做出調整和更新。煙草科研大數據標準體系在研制過程中，要發揮已有資源的作用和現有大數據的成熟技術，強調標準體系框架的穩定性和關鍵領域業務標準、技術標準的動態可調整性。

（4）專業性且應各司其職。在具體分工方面，煙草科研大數據業務領域標準應由煙草行業相關業務領域專家牽頭研制，基礎標準和技術標準則由計算機信息領域專家牽頭研制。其中，領域標準應充分結合煙草科研大數據的特點和實際業務需求，分批制定領域元數據標準和質量規范，關鍵技術標準的規劃既要考慮煙草行業需求，也要考慮現有技術的成熟度和潛在風險。

3 煙草科研大數據標準體系的構建

在借鑒國內外大數據標準體系現有研究成果的基礎上，通過梳理相關國際標準、國家標準、行業標準和地方標準，結合煙草科研活動和科研數據資源特點，研究構建了煙草科研大數據標準體系（圖1）。該體系將全部標準規范劃分為基礎標準、技術標準、業務標準和管理辦法4 大類。其中，基礎標準規定了整個體系的框架、術語定義和參考模型，且貫穿標準研制的全過程。技術標準規定了煙草科研大數據資源從生產、管理到應用服務全生命周期關鍵節點的標準化，包括元數據、數據處理、數據管理、數據質量和數據服務等內容。業務標準結合了已制定技術標準中的元數據標準和質量規范等內容，包括主數據標準和領域數據標準。管理辦法主要用于指導煙草行業科研大數據的管理與共享服務，包括共享管理辦法和數據工作考核評價管理辦法。

3.1 基礎標準

基礎標準是煙草科研大數據標準的綱領性文件，主要規范煙草大數據建設和服務中使用的技術參考模型、詞匯概念和元數據管理等內容。基礎標準是煙草科研大數據標準體系中具有基礎性和指導性的標準規范，是所有標準的技術基礎和方法指南，也是其他標準執行的依據。其使用范圍貫穿煙草科研大數據標準化的全過程，具有較長時期的穩定性、延續性和指導性。

圖1 煙草科研大數據標準體系框架Fig.1 Framework of standard system for big data of tobacco scientific research

基礎標準主要包括標準體系框架、術語、技術參考模型以及數據元設計與管理等。其中，標準體系框架規定了框架結構、核心內容以及各部分之間的關系，適用于體系規則的建設和管理。術語規定了煙草科研大數據領域中的常用術語和定義，目的是消除概念理解上的歧義，為大數據標準提供術語基礎，適用于平臺建設、管理和運行服務等。技術參考模型和數據元標準是在調研國內外相關標準適用范圍的基礎上，遵循信息技術領域已發布的相關國家標準。技術參考模型主要采用國家標準《信息技術 大數據 技術參考模型》（GB/T 35589—2017），描述了大數據的參考架構，包括角色、活動和功能組件及其之間的關系，適用于對大數據復雜操作的理解，可為大數據系列標準的制定提供基礎；數據元設計與管理主要采用國家標準《科技平臺 數據元設計與管理》（GB/T 31074—2014），規定了數據元的數據模型以及數據元屬性描述規范、數據元的設計流程與操作指南、數據元的注冊與維護管理，并給出了科技平臺數據元編寫指南，適用于平臺建設、管理與服務活動中的數據元設計與管理。

3.2 技術標準

技術標準主要是對煙草科研大數據全生命周期管理過程的關鍵節點進行規范，用于指導煙草科研大數據從需求分析、設計實現到共享服務的全流程管理。在制定過程中，技術標準應考慮行業實際需求，結合技術發展的前沿現狀和研究熱點，根據國內外相關標準的適用范圍，等同采用、修改采用和非等效采用國際標準、國家標準、行業標準和地方標準。

技術標準主要由元數據、數據處理、數據管理、數據質量、數據服務、數據安全和應用服務等系列標準組成，目前已完成制定的技術標準見表1。元數據包括煙草科研大數據元數據注冊系統、元數據參考模型、數據集核心元數據和數據對象元數據等；數據處理包括煙草科研大數據資源加工指導規范以及通用數據導入接口規范等；數據管理包括煙草科研大數據標識規范和建庫技術指導規范等；數據質量包括煙草科研大數據質量指標體系、數據質量評價方法、數據溯源描述模型和數據溯源元數據等；數據服務包括煙草科研大數據服務指導規范和服務網站建設指導規范等；數據安全包括數據生命周期管理規范和數據中心安全管理規范等；應用服務包括應用服務規范、應用服務平臺集成規范和通用服務接口規范等。

表1 已制定的煙草科研大數據標準體系技術標準Tab.1 Technical standards in standard system for big data of tobacco scientific research

3.3 業務標準

目前煙草行業雖然建立了部分與科研活動相關的標準規范，但尚未建立規范的科研業務數據標準，更未形成完整、系統、科學的科研業務數據標準體系。為指導行業科研數據的采集、存貯、管理和共享，發揮科研數據在行業科技創新中的作用，遵循實用、科學、體系、專業的原則，構建了煙草科研業務數據標準分體系。業務標準由主數據標準和領域數據標準兩部分組成，適用于煙草科研領域數據建設過程中的數據采集、數據處理、數據交換和共享應用等環節。其中，主數據標準包括人員信息、機構信息和公共代碼，已制定的主數據標準見表2。

領域數據標準包括數據元標準和數據編碼規則，并可根據領域特征制定數量不等的、不同類別的、不同等級的數據元標準或數據編碼規則。目前已完成制定的領域數據標準共52 項（表3）。其中，數據元標準包括煙草基因3 項、煙草農業11 項、煙草化學3 項、煙草工藝3 項、煙用添加劑2 項、卷煙材料14 項、煙草與煙草制品檢驗2 項、卷煙鑒別1 項、煙草標準化2 項和煙草科技文獻8 項；數據編碼規則有3 項。領域數據標準將隨著煙草科研大數據中心建設和應用的發展不斷進行補充和完善。

表3 已制定的煙草科研大數據標準體系領域數據標準Tab.3 Data standards in fields of standard system for big data of tobacco scientific research

3.4 管理辦法

管理辦法主要對煙草科研數據工作效果、數據匯交、分級管理和訪問授權等進行規范，內容包括煙草科研數據共享管理辦法和煙草科研數據工作考核評價管理辦法等。共享管理辦法明確了科研數據產出與匯交、管理與服務、共享與使用等內容；考核評價管理辦法主要對煙草科研數據產出單位（機構）的數據匯交、數據質量與數量、使用情況以及利用效果等提出要求。

4 結語

在充分借鑒國內外科研大數據標準體系研究成果的基礎上，結合煙草科技活動和科研數據資源的特點，研究構建了煙草科研大數據標準體系。該體系將標準規范劃分為基礎標準、技術標準、業務標準和管理辦法4 大類。以構建的標準體系為指導，研究制定出基礎標準4 項、技術標準15 項、重點業務數據元標準52 項以及管理辦法2 項，為煙草科研數據的采集匯聚、分析挖掘和共享服務奠定了基礎，為中國煙草科學數據中心建設和行業科技創新工作提供了基礎支撐。同時，煙草科研大數據標準體系是一個開放和可擴展系統，根據未來煙草科技創新需求，還可對現有標準體系進行修訂、補充和完善，以進一步提高標準體系的科學性和有效性。