中航工業(yè)成都飛機工業(yè)（集團）有限責(zé)任公司 趙 力

項目背景

作為我國航空工業(yè)的骨干企業(yè)，中航工業(yè)成飛多年來成功參與了多個飛機的研制任務(wù)，其中，中航工業(yè)成飛的數(shù)字化工程建設(shè)工作功不可沒。中航工業(yè)成飛協(xié)同工作平臺經(jīng)過多年的持續(xù)建設(shè)，以及在多個飛機型號上的工程實踐，得以逐步完善并實現(xiàn)了對中航工業(yè)成飛現(xiàn)行業(yè)務(wù)模式的基本覆蓋，為型號飛機的成功研制提供了巨大保障。在現(xiàn)有協(xié)同工作平臺的支持下，中航工業(yè)成飛的主要核心業(yè)務(wù)（技術(shù)準(zhǔn)備、生產(chǎn)準(zhǔn)備、采購、財務(wù)等）均可以圍繞協(xié)同工作平臺提供的3個BOM（EBOM/PBOM/MBOM）來展開工作，其工作效率、質(zhì)量、成本控制等方面均得到了巨大改善。

隨著各個型號的深入研制，參研型號的不斷增加，協(xié)同工作平臺中的產(chǎn)品數(shù)據(jù)及業(yè)務(wù)數(shù)據(jù)呈幾何式爆炸性增長，對協(xié)同工作平臺的運行性能和使用效能提出了更高的要求。到目前為止，納入?yún)f(xié)同工作平臺的飛機型號已經(jīng)達到10個，協(xié)同工作平臺內(nèi)的產(chǎn)品數(shù)據(jù)已超過4TB，且以10G/每周的速度增長，這將對當(dāng)前的協(xié)同工作平臺造成極大的挑戰(zhàn)。在近10年的協(xié)同工作平臺持續(xù)建設(shè)和工程化應(yīng)用過程中，曾出現(xiàn)過因產(chǎn)品數(shù)據(jù)不斷增加而導(dǎo)致的系統(tǒng)使用性能下降等問題，例如2013年5月，就出現(xiàn)了一次因數(shù)據(jù)量劇增，導(dǎo)致系統(tǒng)性能下降，并致使系統(tǒng)出現(xiàn)周期性的宕機，嚴(yán)重影響型號正常研制工作的事件。

面對這些問題，一般性的處理措施就是通過提升硬件配置，以及軟、硬件廠商共同參與進行性能調(diào)優(yōu)來改善系統(tǒng)的運行性能?；诖?，最近5年從IT基礎(chǔ)設(shè)施改造、應(yīng)用系統(tǒng)調(diào)優(yōu)等方面展開了一系列的工作，取得了較好的效果。但隨著系統(tǒng)內(nèi)產(chǎn)品數(shù)據(jù)的進一步擴增，以支撐環(huán)境優(yōu)化調(diào)整的手段開始難于奏效；放眼未來，即便是通過硬件升級改造，應(yīng)用系統(tǒng)性能調(diào)優(yōu)以及負(fù)載均衡等傳統(tǒng)手段都將很難保證復(fù)雜系統(tǒng)的可靠性及持續(xù)性。

為此，業(yè)界提出一種觀點：從產(chǎn)品數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)自身出發(fā)，分析數(shù)據(jù)的業(yè)務(wù)類別、作用范圍及其使用頻度，從而在系統(tǒng)中智能化地支持?jǐn)?shù)據(jù)的管理、檢索和使用。通過數(shù)據(jù)的活躍程度來假定（推測）數(shù)據(jù)的使用可能性這一基本思想來邏輯性地縮減候選數(shù)據(jù)范圍，從而提高數(shù)據(jù)的檢索和使用效率。該思想目前暫時被稱之為“復(fù)雜系統(tǒng)數(shù)據(jù)活躍度管理”。該方法能較大程度上減輕數(shù)據(jù)搜索和使用的性能，解決了系統(tǒng)性能的瓶頸問題。數(shù)據(jù)復(fù)雜程度如圖1所示，近10年活躍數(shù)據(jù)比變化趨勢如圖2所示。

圖1 數(shù)據(jù)復(fù)雜程度示意圖

圖2 近10年活躍數(shù)據(jù)比變化趨勢

技術(shù)背景

1 大數(shù)據(jù)時代的來臨

進入2012年以來，大數(shù)據(jù)（Big Data）一詞越來越多地被提及與使用，人們用它來描述和定義信息爆炸時代產(chǎn)生的海量數(shù)據(jù)。隨著數(shù)字化工程在制造企業(yè)的深化應(yīng)用，企業(yè)中的各種數(shù)據(jù)正在迅速膨脹并變大，它決定著企業(yè)的未來發(fā)展，雖然現(xiàn)在企業(yè)可能并沒有意識到數(shù)據(jù)爆炸性增長帶來的問題隱患，但是隨著時間的推移，它已經(jīng)在逐漸影響人們的工作模式和工作效率。最終，人們將越來越多地意識到大數(shù)據(jù)對企業(yè)的重要性。大數(shù)據(jù)時代對人類的數(shù)據(jù)駕馭能力提出了新的挑戰(zhàn)，也為人們獲得更為深刻、全面的洞察能力提供了前所未有的空間與潛力。全球知名咨詢公司麥肯錫在研究報告中指出，數(shù)據(jù)已經(jīng)滲透到每一個行業(yè)和業(yè)務(wù)職能領(lǐng)域，逐漸成為重要的生產(chǎn)因素；而人們對于海量數(shù)據(jù)的運用將預(yù)示著新一波生產(chǎn)率增長和消費者盈余浪潮的到來[1]。

據(jù)全球最具權(quán)威的IT研究與咨詢公司Gartner統(tǒng)計，今后每5年數(shù)據(jù)量將增長10倍以上，且其中85%將來源于期間產(chǎn)生的新數(shù)據(jù)類型。2012年，大數(shù)據(jù)就帶動了全球280億美元的IT支出，至2016年，這一數(shù)字將達到2320億美元。全球IT巨頭都已意識到了大數(shù)據(jù)時代的來臨，也意識到了大數(shù)據(jù)的重要意義。包括EMC、惠普、IBM、微軟在內(nèi)的全球IT巨頭紛紛通過收購“大數(shù)據(jù)”相關(guān)廠商來實現(xiàn)技術(shù)整合，亦可見其對大數(shù)據(jù)的重視。大數(shù)據(jù)發(fā)展趨勢如圖3所示[1]。

大數(shù)據(jù)主要有如下3個特征[1]。（1）數(shù)據(jù)類型繁多：包括網(wǎng)絡(luò)日志、音頻、視頻、圖片、地理位置信息等，多類型的數(shù)據(jù)對數(shù)據(jù)的處理能力提出了更高的要求。（2）數(shù)據(jù)價值密度相對較低：如隨著物聯(lián)網(wǎng)的廣泛應(yīng)用，信息感知無處不在，信息海量，但價值密度較低，如何通過強大的機器算法更迅速地完成數(shù)據(jù)的價值“提純”，是大數(shù)據(jù)時代亟待解決的難題。（3）處理速度快、時效性要求高：這是大數(shù)據(jù)區(qū)分于傳統(tǒng)數(shù)據(jù)挖掘最顯著的特征。

對于實施PLM的企業(yè)來說，隨著產(chǎn)品數(shù)量的增加及應(yīng)用的深入，大數(shù)據(jù)的問題也日益顯現(xiàn)，隨之而來的是系統(tǒng)架構(gòu)的復(fù)雜性、應(yīng)用的復(fù)雜性、實施的難度等都成為制造企業(yè)所無法回避的問題。重視大數(shù)據(jù)問題，探求適合本企業(yè)的大數(shù)據(jù)管理解決方案，包括系統(tǒng)架構(gòu)、數(shù)據(jù)挖掘和分析等，提前為大數(shù)據(jù)時代做好準(zhǔn)備，將是未來制造企業(yè)所面臨的前所未有的一大機遇[1]。

因此，對企業(yè)而言，大數(shù)據(jù)是對現(xiàn)有數(shù)據(jù)管理模式的挑戰(zhàn)，同時也是一種全新機遇，對海量數(shù)據(jù)的分析、運用將成為未來企業(yè)競爭和增長的基礎(chǔ)[1]。

2 活躍度概念的提出

大數(shù)據(jù)時代面臨著這樣的問題：如何從海量規(guī)模、多樣性和快速流量的數(shù)據(jù)集中抽取有用的信息。

（1）數(shù)據(jù)挖掘技術(shù)[2]。

隨著信息技術(shù)的迅速發(fā)展，數(shù)據(jù)庫的規(guī)模不斷擴大，從而產(chǎn)生了大量的數(shù)據(jù)。為了給決策者提供一個統(tǒng)一的全局視角，在許多領(lǐng)域建立了數(shù)據(jù)倉庫，但大量的數(shù)據(jù)往往使人們無法辨別隱藏在其中的能對決策提供支持的信息，而傳統(tǒng)的查詢、報表工具無法滿足挖掘這些信息的需求。因此，需要一種新的數(shù)據(jù)分析技術(shù)處理大量數(shù)據(jù)，并從中抽取有價值的潛在知識，數(shù)據(jù)挖掘（Data Mining）技術(shù)由此應(yīng)運而生，數(shù)據(jù)挖掘技術(shù)也正是伴隨著數(shù)據(jù)倉庫技術(shù)的發(fā)展而逐步完善起來的。但是并非所有的信息發(fā)現(xiàn)任務(wù)都被視為數(shù)據(jù)挖掘，例如，使用數(shù)據(jù)庫管理系統(tǒng)查找個別的記錄，或通過因特網(wǎng)的搜索引擎查找特定的Web頁面，則是信息檢索（Information Retrieval）領(lǐng)域的任務(wù)。

圖3 大數(shù)據(jù)發(fā)展趨勢

數(shù)據(jù)挖掘以數(shù)據(jù)庫、人工智能、數(shù)理統(tǒng)計、可視化4大支柱技術(shù)為基礎(chǔ)。描述或說明一個算法設(shè)計分為3個部分：輸入、輸出和處理過程。數(shù)據(jù)挖掘算法的輸入是數(shù)據(jù)庫，算法的輸出是要發(fā)現(xiàn)的知識或模式，算法的處理過程則涉及具體的搜索方法。從算法的輸入、輸出和處理過程3個角度，可以確定數(shù)據(jù)挖掘主要涉及3個方面：挖掘?qū)ο?、挖掘任?wù)、挖掘方法。挖掘?qū)ο蟀ㄈ舾煞N數(shù)據(jù)庫或數(shù)據(jù)源，例如關(guān)系數(shù)據(jù)庫、面向?qū)ο髷?shù)據(jù)庫、空間數(shù)據(jù)庫、時態(tài)數(shù)據(jù)庫、文本數(shù)據(jù)庫、多媒體數(shù)據(jù)庫、歷史數(shù)據(jù)庫，以及萬維網(wǎng)（WEB）等。挖掘方法可以粗分為：統(tǒng)計方法、機器學(xué)習(xí)方法、神經(jīng)網(wǎng)絡(luò)方法和數(shù)據(jù)庫方法。統(tǒng)計方法可細(xì)分為：回歸分析、判別分析等。機器學(xué)習(xí)可細(xì)分為：遺傳算法等。神經(jīng)網(wǎng)絡(luò)方法可細(xì)分為：前向神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)等。數(shù)據(jù)庫方法主要是多維數(shù)據(jù)分析方法等。

數(shù)據(jù)挖掘是指從數(shù)據(jù)集合中自動抽取隱藏在數(shù)據(jù)中的那些有用信息的非平凡過程，這些信息的表現(xiàn)形式為：規(guī)則、概念、規(guī)律及模式等。它可幫助決策者分析歷史數(shù)據(jù)及當(dāng)前數(shù)據(jù)，并從中發(fā)現(xiàn)隱藏的關(guān)系和模式，進而預(yù)測未來可能發(fā)生的行為。數(shù)據(jù)挖掘的過程也叫知識發(fā)現(xiàn)（Knowledge Discovery in Database，KDD）的過程，它是一門涉及面很廣的交叉性新興學(xué)科，涉及到數(shù)據(jù)庫、人工智能、數(shù)理統(tǒng)計、可視化、并行計算等領(lǐng)域。數(shù)據(jù)挖掘是一種新的信息處理技術(shù)，其主要特點是對數(shù)據(jù)庫中的大量數(shù)據(jù)進行抽取、轉(zhuǎn)換、分析和其他模型化處理，并從中提取輔助決策的關(guān)鍵性數(shù)據(jù)。數(shù)據(jù)挖掘是知識發(fā)現(xiàn)（KDD）過程中的一個特定步驟，它用專門算法從數(shù)據(jù)中抽取模式（patterns），并不是用規(guī)范的數(shù)據(jù)庫查詢語言（如SQL）進行查詢，而是對查詢的內(nèi)容進行模式的總結(jié)和內(nèi)在規(guī)律的搜索。傳統(tǒng)的查詢和報表處理只是得到事件發(fā)生的結(jié)果，并沒有深入研究發(fā)生的原因，而數(shù)據(jù)挖掘則主要了解發(fā)生的原因，并且以一定的置信度對未來進行預(yù)測，用來為決策行為提供有利的支持[2]。

活躍度數(shù)據(jù)管理模型從根本上即為數(shù)據(jù)挖掘的一種算法，與傳統(tǒng)算法相比融入了產(chǎn)品研發(fā)數(shù)據(jù)的多維度屬性，從而獲取有用信息供用戶使用[2]。

（2）結(jié)合實際情況的活躍度概念提出。

協(xié)同工作平臺經(jīng)過長期的應(yīng)用后，數(shù)據(jù)量越來越大，數(shù)據(jù)庫中有效數(shù)據(jù)的比例越來越低，系統(tǒng)檢索性能也逐漸加大，結(jié)合數(shù)據(jù)的實際應(yīng)用情況，客戶提出采用數(shù)據(jù)活躍度的概念提取系統(tǒng)中的有效信息，納入到活躍數(shù)據(jù)庫管理，提升系統(tǒng)的使用效率。

現(xiàn)狀概述

1 系統(tǒng)架構(gòu)

協(xié)同工作平臺采用J2EE標(biāo)準(zhǔn)的3層架構(gòu)：客戶層/服務(wù)器層/數(shù)據(jù)庫層。

（1）客戶層主要的應(yīng)用為：協(xié)同工作平臺數(shù)據(jù)的創(chuàng)建/查詢/統(tǒng)計/流程簽審，該工作主要在IE上進行操作；CATIA設(shè)計數(shù)據(jù)的提交，該工作設(shè)計人員在CATIA集成設(shè)計環(huán)境中完成設(shè)計，通過集成模塊WGM將設(shè)計數(shù)據(jù)提交到協(xié)同工作平臺。

（2）服務(wù)器層的主要服務(wù)為：Apache服務(wù)，主要應(yīng)用于用戶認(rèn)證，負(fù)載均衡的配置等；Tomcat服務(wù)，編譯JSP源頁面，接收用戶的訪問請求并返回用戶訪問結(jié)果；WindchillDS服務(wù)，輕量級目錄訪問協(xié)議（LDAP），用戶管理用戶認(rèn)證信息、用戶群組信息；Windchill服務(wù)，用戶執(zhí)行用戶訪問后的具體業(yè)務(wù)邏輯，并通過對數(shù)據(jù)庫的訪問進行數(shù)據(jù)的讀寫操作。

（3）數(shù)據(jù)庫層的主要應(yīng)用為：外部電子倉庫，存儲用戶上載的業(yè)務(wù)數(shù)據(jù)的電子文檔，是協(xié)同工作平臺最主要的數(shù)據(jù)存儲方式；Oracle數(shù)據(jù)庫，存儲業(yè)務(wù)數(shù)據(jù)的基本信息，提供用戶的讀寫訪問。

2 總體思路

考慮到系統(tǒng)中型號數(shù)據(jù)量雖然繁多復(fù)雜，但針對不同時期或時間段所關(guān)注的數(shù)據(jù)具有一定的單一性，即可以區(qū)分出數(shù)據(jù)的活躍度。通過針對活躍數(shù)據(jù)的管理，能降低系統(tǒng)的負(fù)載壓力。

總體解決思路為：基于型號、型號生命周期、數(shù)據(jù)類型、關(guān)注程度等多個維度的動態(tài)數(shù)據(jù)活躍度定義，見圖4。

圖4 多維度的動態(tài)數(shù)據(jù)活躍度定義

基于協(xié)同工作平臺的動態(tài)活躍數(shù)據(jù)管理系統(tǒng)架構(gòu)分為應(yīng)用層、數(shù)據(jù)分析挖掘?qū)?、基礎(chǔ)數(shù)據(jù)庫層，未來還可以根據(jù)業(yè)務(wù)需要，發(fā)展基于ERP、MES等多系統(tǒng)的綜合動態(tài)活躍數(shù)據(jù)管理平臺，見圖5。

應(yīng)用層：基于已定義并提出的活躍數(shù)據(jù)庫，優(yōu)化檢索查詢、文件管理、報表管理等整體應(yīng)用性能。

數(shù)據(jù)分析挖掘?qū)樱和ㄟ^數(shù)據(jù)活躍度定義、分析，綜合多維度數(shù)據(jù)活性定義，挖掘、提取、清理活躍數(shù)據(jù)，使活躍數(shù)據(jù)庫能夠動態(tài)更新，是動態(tài)活躍數(shù)據(jù)管理系統(tǒng)的“發(fā)送機”。

基礎(chǔ)數(shù)據(jù)層：包括完整數(shù)據(jù)庫、動態(tài)活躍數(shù)據(jù)庫、全文檢索庫等基礎(chǔ)應(yīng)用數(shù)據(jù)層。

3 活躍度數(shù)據(jù)管理的數(shù)學(xué)模型

產(chǎn)品數(shù)據(jù)的活躍度是指在一定期間內(nèi)該數(shù)據(jù)被訪問的頻度。在實際應(yīng)用過程中，往往還需要考慮該數(shù)據(jù)所處的上下文環(huán)境以及數(shù)據(jù)本身所具備的業(yè)務(wù)價值等，因此廣義的數(shù)據(jù)活躍度是綜合考慮數(shù)據(jù)重要性、價值和訪問頻度的一個衡量指標(biāo)。

活躍度數(shù)據(jù)管理就是要求基于活躍值，提出一個綜合的衡量計算模型，能準(zhǔn)確、有效地定義數(shù)據(jù)的活躍程度。這是典型的多屬性決策算法，而本算法的最大難點在于屬性的不確定性，且各屬性屬于不同的度量空間。

3.1 活躍度參數(shù)集定義

式中，Ip為產(chǎn)品重要度；Tp為業(yè)務(wù)對象重要度標(biāo)志；Pp為數(shù)據(jù)的成熟度；Up為用戶重要核心程度；Op為操作關(guān)鍵度標(biāo)志；Vd為同一業(yè)務(wù)對象在持續(xù)一段時間內(nèi)的數(shù)據(jù)平均訪問次數(shù)。

根據(jù)實際情況，活躍度參數(shù)初始定義如表1所示。

表1 活躍度參數(shù)及其對應(yīng)的值

3.2 活躍度參數(shù)集權(quán)重定義

考慮到不同參數(shù)對活躍度的影響程度會有所不同，因此為每個屬性設(shè)定了相應(yīng)的權(quán)重，以體現(xiàn)各參數(shù)對活躍度的影響程度。活躍度參數(shù)集權(quán)重集定義如下：

3.3 數(shù)學(xué)模型定義

基于上述因素，采用加權(quán)平均算法，得出活躍度數(shù)學(xué)模型：

3.4 活躍數(shù)據(jù)基準(zhǔn)系數(shù)δ

由于系統(tǒng)中歷史數(shù)據(jù)的訪問次數(shù)是無法評估的，因此，為了判斷數(shù)據(jù)的活躍度，設(shè)定被訪問次數(shù)超過5次以上的數(shù)據(jù)才是活躍數(shù)據(jù)，從而給出活躍數(shù)據(jù)的基準(zhǔn)系數(shù)：δ=5?；鶞?zhǔn)系數(shù)根據(jù)實際情況定義，可根據(jù)實際業(yè)務(wù)情況進行調(diào)整。

確定為活躍的產(chǎn)品數(shù)據(jù)及該產(chǎn)品數(shù)據(jù)所關(guān)聯(lián)的業(yè)務(wù)對象將轉(zhuǎn)存入活躍數(shù)據(jù)庫的各索引區(qū)，提供業(yè)務(wù)應(yīng)用。

根據(jù)時間的推移，數(shù)據(jù)的活躍度將不斷地進行重新計算演化。其邏輯框圖如圖6所示。

4 整體處理流程

產(chǎn)品數(shù)據(jù)的活躍度管理過程見圖7。

數(shù)據(jù)活躍度的管理從用戶訪問出發(fā)，采集用戶的日常訪問信息（日常操作+用戶的關(guān)鍵操作），作為數(shù)據(jù)活躍度的基礎(chǔ)數(shù)據(jù)源。

圖5 基于動態(tài)活躍數(shù)據(jù)管理的3層系統(tǒng)架構(gòu)

圖6 邏輯框圖

圖7 處理流程圖

建立數(shù)據(jù)訪問記錄庫，用來存儲用戶對業(yè)務(wù)數(shù)據(jù)對象的訪問信息，并計算每次用戶訪問的活躍值。

通過活躍值的累加計算，某個對象的活躍值＞1后，系統(tǒng)將自動將這些數(shù)據(jù)加入到活躍數(shù)據(jù)庫中。

活躍數(shù)據(jù)庫中記錄了所有主要業(yè)務(wù)對象的基本信息，可用來作為用戶快捷搜索的數(shù)據(jù)來源。

活躍數(shù)據(jù)庫建立后，用戶的日常查詢訪問，如文檔查詢、ECP查詢、ECO查詢、全局查詢等就可以使用活躍數(shù)據(jù)庫進行，以快速返回用戶的查詢結(jié)果。

結(jié)束語

協(xié)同產(chǎn)品數(shù)據(jù)的活躍度管理的實施，將作為公司在大數(shù)據(jù)管理應(yīng)用的探索和研究，為未來大數(shù)據(jù)管理的深化應(yīng)用提供了理論基礎(chǔ)和實踐經(jīng)驗。

（1）定義動態(tài)活性數(shù)據(jù)規(guī)則庫，通過數(shù)據(jù)活躍度定義和數(shù)據(jù)活躍度分析，定義協(xié)同工作平臺活躍數(shù)據(jù)與惰性數(shù)據(jù)；（2）通過對活性數(shù)據(jù)定義、標(biāo)識，形成獨立存儲的活躍數(shù)據(jù)庫，極大提升了數(shù)據(jù)檢索、下載等應(yīng)用效率；（3）通過數(shù)據(jù)活躍度的管理實施，區(qū)分出系統(tǒng)中活躍數(shù)據(jù)與惰性數(shù)據(jù)，并對活躍數(shù)據(jù)進行統(tǒng)一管理；（4）通過改變應(yīng)用層對后臺數(shù)據(jù)的訪問層級，提升系統(tǒng)的操作響應(yīng)能力；（5）實現(xiàn)活躍數(shù)據(jù)庫的定期清理，大大降低了活躍數(shù)據(jù)庫急劇膨脹的風(fēng)險；（6）基于動態(tài)活躍數(shù)據(jù)庫的應(yīng)用層擴充改造，提升應(yīng)用性能，擴大檢索范圍；基于動態(tài)活躍數(shù)據(jù)庫的多維度數(shù)據(jù)展示活躍度。

未來有望在以下幾個方面進行探索和深化應(yīng)用：

（1）商業(yè)智能BI的全面深化應(yīng)用，為未來移動終端的推廣提供堅實的基礎(chǔ)；（2）通過數(shù)據(jù)分析改善現(xiàn)有管理模式，實現(xiàn)向大數(shù)據(jù)環(huán)境下的全新產(chǎn)品數(shù)據(jù)管理模式的轉(zhuǎn)變，以提高產(chǎn)品和服務(wù)質(zhì)量；（3）以分析型型號數(shù)據(jù)為基礎(chǔ)，優(yōu)化現(xiàn)有產(chǎn)品組織模式，科學(xué)配置制造資源，構(gòu)建產(chǎn)品研制數(shù)據(jù)監(jiān)控分析模型；（4）建立各種針對產(chǎn)品研制的系統(tǒng)性算法模型庫，發(fā)掘數(shù)據(jù)中存在的隱藏關(guān)系,為各級決策者提供多維的、直觀的、全面的、深入的分析預(yù)測性數(shù)據(jù),進而主動把握市場動態(tài)，采取適當(dāng)?shù)牟呗?，獲得更大的企業(yè)效益。

[1] 邁爾·舍恩博格,庫克耶. 大數(shù)據(jù)時代.杭州:浙江人民出版社, 2013.

[2] Tan P N, Steinbach M, Kumar V, et al.Introduction to Date Mining. 北京:人民郵電出版社, 2006.