基于大數(shù)據(jù)Hadoop 的企業(yè)財(cái)務(wù)管理系統(tǒng)研究

婁德涵，楊江海，鄧海生

（西京學(xué)院，陜西西安，710123）

1 緒論

■1.1 研究背景和意義

在計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)應(yīng)用于企業(yè)辦公初期時(shí)，企業(yè)的財(cái)務(wù)管理都是通過手動(dòng)輸入等若干道流程進(jìn)行的，隨著現(xiàn)代社會(huì)高效率、高要求的節(jié)奏下，傳統(tǒng)的財(cái)務(wù)信息管理效率顯得十分低下。因此財(cái)務(wù)信息必須實(shí)現(xiàn)信息化、流程化管理，于是設(shè)計(jì)一種新的財(cái)務(wù)系統(tǒng)是至關(guān)重要的，企業(yè)財(cái)務(wù)管理系統(tǒng)就是一種能夠勝任企業(yè)各自財(cái)務(wù)管理需求的財(cái)務(wù)管理系統(tǒng)。

■1.2 國(guó)內(nèi)外研究現(xiàn)狀

當(dāng)前社會(huì)發(fā)展日新月異，人們追求創(chuàng)新的思想越發(fā)強(qiáng)烈，管理方式也隨之要?jiǎng)?chuàng)新，利用先進(jìn)技術(shù)轉(zhuǎn)變企業(yè)財(cái)務(wù)管理模式，提高企業(yè)財(cái)務(wù)管理效率進(jìn)入一個(gè)跨越式發(fā)展階段。由于系統(tǒng)平臺(tái)的演變、數(shù)據(jù)庫(kù)的升級(jí),通過數(shù)據(jù)庫(kù)系統(tǒng)的管理分析，向著功能豐富、分析能力強(qiáng)大、支持面廣的方向發(fā)展，演化成ERP 管理系統(tǒng)。財(cái)務(wù)軟件從開始到如今經(jīng)歷了5 個(gè)階段[1]，如表1 所示。

表1 國(guó)內(nèi)外財(cái)務(wù)系統(tǒng)發(fā)展階段

2 相關(guān)的理論及技術(shù)

■2.1 大數(shù)據(jù)特點(diǎn)

大數(shù)據(jù)主要有六大特點(diǎn)：海量的容量、數(shù)據(jù)種類繁雜多樣、時(shí)效性高、可變性高、數(shù)據(jù)質(zhì)量高、尋求高質(zhì)量的價(jià)值。

■2.2 大數(shù)據(jù)相關(guān)技術(shù)

（1）Hadoop 生態(tài)系統(tǒng)

①HDFS:一種分布式文件系統(tǒng)，具有高容錯(cuò)性、高吞吐量等特點(diǎn)，非常適合大規(guī)模數(shù)據(jù)集上的應(yīng)用。②MapReduce：一個(gè)計(jì)算系統(tǒng)，將任務(wù)分為“Map（映射）”與“Reduce（規(guī)約）”階段，具有分布式并行處理的熱點(diǎn)，因此能快速訪問數(shù)據(jù)。③Hbase：用于快速訪問NoSQL數(shù)據(jù)庫(kù)的工具。④Zookeeper：用于管理Hadoop 集群，協(xié)調(diào)分布式服務(wù)。⑤Pig:一個(gè)數(shù)據(jù)分析引擎，相當(dāng)于一個(gè)翻譯器，將Pig Latin 語(yǔ)句翻譯成MapReduce 程序 。⑥Hive:一個(gè)數(shù)據(jù)庫(kù)框架，可以將結(jié)構(gòu)化的數(shù)據(jù)文件轉(zhuǎn)化為數(shù)據(jù)庫(kù)表,并提供類SQL 查詢功能，將用戶編寫SQL 語(yǔ)句轉(zhuǎn)換為 MapReduce 任務(wù)運(yùn)行。⑦Sqoop:一個(gè)數(shù)據(jù)庫(kù)工具，主要用于NoSQL 數(shù)據(jù)與傳統(tǒng)的數(shù)據(jù)庫(kù)之間的數(shù)據(jù)交互。⑧Flume:一個(gè)日志收集系統(tǒng)，具有高效率、高可靠性等特點(diǎn)。

（2）NoSQL

NoSQL為非關(guān)系型的數(shù)據(jù)庫(kù)，它具有擴(kuò)展性高、容量大，高性能、可共享、靈活性高等優(yōu)點(diǎn)，可以解決海量、復(fù)雜數(shù)據(jù)帶來的各種挑戰(zhàn)，尤其是大數(shù)據(jù)應(yīng)用問題。

■2.3 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘方法按照不同挖掘角度來分類，以下為幾種常見的數(shù)據(jù)挖掘方法。

關(guān)聯(lián)規(guī)則，反映一個(gè)事物與其他事物之間存在某種關(guān)聯(lián)，通過這種關(guān)聯(lián)挖掘出有價(jià)值的數(shù)據(jù)項(xiàng)。

分類，通過算法找出數(shù)據(jù)庫(kù)中的數(shù)據(jù)對(duì)象中存在的特點(diǎn)，然后按照規(guī)定特點(diǎn)進(jìn)行組合分類，將數(shù)據(jù)庫(kù)的數(shù)據(jù)分類到某個(gè)給定的類中，主要用于數(shù)據(jù)預(yù)測(cè)、特征分析。

聚類，將數(shù)據(jù)根據(jù)相似性進(jìn)行分類，同一類中的相似性盡可能大，不同的類中的相似性盡可能小。

回歸分析，將數(shù)據(jù)的屬性值因時(shí)間的變化而存在某種聯(lián)系，將其聯(lián)系的特征映射到實(shí)際預(yù)測(cè)的函數(shù)上，分析其數(shù)據(jù)間存在的關(guān)系，主要應(yīng)用于數(shù)據(jù)序列的特征預(yù)測(cè)與分析。

3 基于大數(shù)據(jù)的企業(yè)財(cái)務(wù)管理系統(tǒng)的設(shè)計(jì)分析

■3.1 總體技術(shù)架構(gòu)設(shè)計(jì)

系統(tǒng)的總體架構(gòu)分為三層:大數(shù)據(jù)并行分析層、大數(shù)據(jù)并行處理層、數(shù)據(jù)存儲(chǔ)層，大數(shù)據(jù)并行處理層解決快速和時(shí)效性要求，大數(shù)據(jù)分析層分析數(shù)據(jù)提取價(jià)值，數(shù)據(jù)存儲(chǔ)層存儲(chǔ)海量復(fù)雜類型數(shù)據(jù)[2]。總體技術(shù)框架如圖1 所示。

圖1 總體技術(shù)架構(gòu)圖

■3.2 數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)設(shè)計(jì)

NoSQL 分為兩種結(jié)構(gòu),主從結(jié)構(gòu)和環(huán)形結(jié)構(gòu)。主從結(jié)構(gòu)的優(yōu)點(diǎn)為結(jié)構(gòu)簡(jiǎn)單、可控性好、低負(fù)載，缺點(diǎn)為主節(jié)點(diǎn)易成為瓶頸。環(huán)形結(jié)構(gòu)優(yōu)點(diǎn)為無(wú)主節(jié)點(diǎn)、各節(jié)點(diǎn)自協(xié)調(diào)性好，擴(kuò)展性高、負(fù)載均衡性好，缺點(diǎn)為結(jié)構(gòu)復(fù)雜、可控性差、范圍查詢較差。在企業(yè)財(cái)務(wù)系統(tǒng)中，應(yīng)綜合考慮兩者的優(yōu)缺點(diǎn)，根據(jù)企業(yè)規(guī)模合理做出選擇。在對(duì)企業(yè)財(cái)務(wù)現(xiàn)狀分析以及大數(shù)據(jù)研究的基礎(chǔ)上，設(shè)計(jì)了新的財(cái)務(wù)大數(shù)據(jù)預(yù)處理模型，建立了以Hadoop 生態(tài)和NoSQL 存儲(chǔ)系統(tǒng)為核心的財(cái)務(wù)數(shù)據(jù)預(yù)處理平臺(tái)。

圖2 NoSQL 存儲(chǔ)流程圖

4 基于大數(shù)據(jù)企業(yè)財(cái)務(wù)管理系統(tǒng)關(guān)鍵性算法研究

■4.1 基于K-MEANS 的數(shù)據(jù)分析算法

K-means 算法的基本思想為，事先設(shè)定一個(gè)參數(shù)k，即將數(shù)據(jù)分為k 類且隨機(jī)選擇的初始聚類中心也為k 個(gè)，計(jì)算每個(gè)元素到k 個(gè)聚類中心的距離，將距離最短的那個(gè)元素歸為其聚類中心一類中。當(dāng)所有元素都分配到所屬的類中，所有聚類中心將重新計(jì)算，重復(fù)以上步驟，直到聚類準(zhǔn)則函數(shù)收斂為止[3]。

■4.2 基于Canopy 的數(shù)據(jù)分析算法

Canopy 算法是一種專門處理海量多樣化數(shù)據(jù)的聚類算法，因其不需要事先設(shè)定聚類參數(shù)，通常用Canopy 算法對(duì)數(shù)據(jù)進(jìn)行初步處理，達(dá)到數(shù)據(jù)“粗”聚類效果，再運(yùn)用其他算法對(duì)數(shù)據(jù)進(jìn)一步處理。Canopy 算法思想為[4]：

①隨機(jī)兩個(gè)閾值T1、T2（T1＜T2）作為參考值，初始化聚類中心為數(shù)據(jù)集中任意元素，其他元素到聚類中心的距離小于T2，則將其元素與聚類中心歸為一類。

②在距離大于T2 的元素中，任意選擇一個(gè)作為新的聚類中心，重復(fù)步驟1，當(dāng)存在元素曾屬于某個(gè)類時(shí)且距離小于其某個(gè)類中T1 時(shí)，則排除改元素。

③重復(fù)以上步驟，直到數(shù)據(jù)集為空。

■4.3 基 于Map-Reduce 的Canopy+K-means 算法研究

K-means 算法雖然效率高，聚類參數(shù)的隨機(jī)性與初始聚類中心的不確定性是K-means 算法的兩個(gè)缺點(diǎn)，因此會(huì)導(dǎo)致聚類最優(yōu)值不穩(wěn)定。為了提高聚類效果的穩(wěn)定性與準(zhǔn)確性，提出了Canopy+K-means 算法[5]。利用Canopy 算法對(duì)數(shù)據(jù)粗處理，處理后的數(shù)據(jù)作為K-means 的初始數(shù)據(jù)，可以解決K-means 存在的問題，提高了K-means 算法的效率。為了提高Canopy+K-means 算法的工作效率，采用與Hadoop 生態(tài)Map-Reduce 框架相結(jié)合，多服務(wù)器部署提高進(jìn)一步提高算法的時(shí)效性，也是企業(yè)財(cái)務(wù)管理系統(tǒng)的核心。執(zhí)行過程主要為兩個(gè)階段：

①Canopy 聚類階段：map 過程將數(shù)據(jù)集分組，對(duì)每個(gè)組分別利用Canopy 算法聚類，得到多個(gè)Canopy 聚類。Reduce 過程將多個(gè)Canopy 中心合并為一組，重新進(jìn)行Canopy 聚類得到新的Canopy 中心。

②K-means 聚類階段：Canopy 中心作為K-means 初始化聚類中心，Map-Reduce 中的一次任務(wù)就是K-means一次迭代。Map-Reduce 中Map 函數(shù)記錄每次樣本元素到聚類中心得距離與每次聚類結(jié)果，再通過Reduce 函數(shù)來重新計(jì)算。重復(fù)步驟，直到聚類結(jié)果最為收斂、最為穩(wěn)定，執(zhí)行流程如圖3 所示。

圖3 系統(tǒng)算法執(zhí)行流程圖

5 實(shí)驗(yàn)

為了驗(yàn)證基于Hadoop 改進(jìn)的Canopy+K-means算法的有效性，本文選取兩個(gè)數(shù)據(jù)集，與傳統(tǒng)的Canopy+K-means、K-means 算法進(jìn)行對(duì)比，并基于DB、SC、AMI 等聚類評(píng)價(jià)指標(biāo)評(píng)價(jià)聚類效果[6]。

表2 聚類評(píng)價(jià)指標(biāo)

從表3 和表4 可以看出，無(wú)論是DB、SC、AMI、ARI還是JC、TD，Canopy+K-means 算法的聚類效果要明顯優(yōu)于K-means 算法。K-means 算法需要事先設(shè)定參數(shù)k，而優(yōu)化后的算法無(wú)需事先設(shè)定k 值，但卻可以得到更好的初始聚類中心點(diǎn)，從而得到更真實(shí)的聚類結(jié)果，并且與Hadoop 相結(jié)合的Canopy+K-means 聚類效果更優(yōu)于傳統(tǒng)Canopy+K-means 算法。

表3 設(shè)定K-means簇?cái)?shù)為5時(shí)聚類效果評(píng)價(jià)

表4 設(shè)定K-means簇?cái)?shù)為10時(shí)聚類效果評(píng)價(jià)

6 結(jié)論

本文針對(duì)傳統(tǒng)K-means 算法在聚類時(shí)需事先設(shè)定確定參數(shù)k 和無(wú)法確定初始聚類中心的問題，通過 Canopy 算法對(duì)K-means 算法進(jìn)行優(yōu)化并與大數(shù)據(jù)平臺(tái)Hadoop 結(jié)合，將其應(yīng)用于企業(yè)財(cái)務(wù)管理系統(tǒng)中；闡述了Canopy、K-means與Canopy+K-means 算法思想，以及基于Hadoop 中Map-Reduce 框架下的聚類步驟，并通過實(shí)驗(yàn)分析了基于該算法進(jìn)行財(cái)務(wù)信息聚類，相較于傳統(tǒng)K-means有更好的聚類效果。