关键词：大数据；云计算；智能电网；数据集成；数据分析；数据处理；数据展现
一、智能电网、云计算和大数据的关系
（一）智能电网与大数据的关系
智能电网的理念是通过获取用户如何用电、怎样用电的信息，来优化电的生产、分配及消耗，利用现代网络、通信和信息技术进行信息海量交互，来实现电网设备间信息交换，并自动完成信息采集、测量、控制、保护、计量和监测等基本功能，可根据需要支持电网实时自动化控制、智能调节、在线分析决策和协同互动等高级功能。可以抽象的认为，智能电网就是大数据这个概念在电力行业中的应用。
（二）大数据与云计算的关系
云计算是一种利用互联网实现随时、随地、按需、便捷地访问共享资源池（如计算设施、应用程序、存储设备等）的计算模式。大数据根植于云计算，云计算的数据存储、管理与分析方面的技术是大数据技术的基础，云计算使大数据应用成为可能，但是没有大数据的信息沉淀，云计算的功能将得不到完全发挥，所以大数据与云计算是相辅相成的。
（三）智能电网、云计算、大数据的相互关系
云计算能够整合智能电网系统内部计算处理和存储资源，提高电网处理和交互能力，成为电网强有力的技术组成；大数据技术立足于业务服务需求，根植于云计算，以云计算技术为基础；所以三者是彼此交互的关系。
二、电力大数据关键技术
（一）电力大数据的集成管理技术
电力企业集成管理技术是为解决电力企业内部各系统间的数据冗余和信息孤岛而产生的。电力大数据的数据集成管理技术，包含关系型和非关系型数据库技术、数据融合和集成技术、数据抽取技术、过滤技术和数据清洗等。大数据的一个重要特点就是多样性，这就意味着数据来源极其广泛，数据类型极为繁杂，这种复杂的数据环境给大数据的处理带来极大的挑战，要想处理大数据，首先必须对数据源的数据进行抽取和集成，从中提取出实体和关系，经过关联和聚合之后采用统一的结构来存储这些数据，在数据集成和提取时需要对数据进行清洗，保证数据质量及可靠性。大数据存储管理中一个重要的技术是NoSQL数据库技术，它采用分布式数据存储方式，去掉了关系型数据库的关系型特性，数据存储被简化且更加灵活，具有良好的可扩展性，解决了海量数据的存储难题。
（二）电力大数据的数据分析技术
大数据技术的根本驱动力是将信号转化为数据，将数据分析为信息，将信息提炼为知识，以知识促成决策和行动。借助电力大数据的分析技术可以从电力系统的海量数据中找出潜在的模态与规律，为决策人员提供决策支持。
（三）电力大数据的数据处理技术
电力大数据的数据处理技术包括分布式计算技术，内存计算技术，流处理技术等。分布式计算技术解决大规模数据的分布式存储与处理，适用于电力系统信息采集领域的大规模分散数据源。内存计算技术解决数据的高效读取和处理在线的实时计算，解决大数据实时分析和知识挖掘的难题。流处理技术处理实时到达的、速度和规模不受控制的数据，应用于电力系统为决策者提供即时依据，满足实时在线分析需求。
（四）电力大数据的数据展现技术
电力大数据的数据展现技术包括可视化技术、空间信息流展示技术、历史流展示技术等。可视化技术广泛应用于电网状态的实时监控，显著提高了电力系统的自动化水平。空间信息流展示技术主要体现在电网参数与已有地理信息系统的结合上，有利于电网管理人员直观地了解设备情况，从而为其决策提供最新的地理信息。历史流展示技术体现在对电网历史数据的管理与展示上，可以绘制出数据的发展趋势并预测出未来的数据走势，可以模拟历史重大事件发生、演变，挖掘历史事件潜在的知识与规律。
三、大数据在智能电网中的应用
电力大数据的应用场合涵盖发、输、变、配、用、调等电力行业的各个环节，在电场选址、降低网损、光伏并网、电网安全监测、大灾难预警、电力企业精细化运营、电力设备状态监测等领域有非常强的可实现性。随着智能电网建设的进一步推进，大数据技术在智能电网中将发挥越来越大的作用。
四、结论与展望
本文探讨了大数据、云计算、智能电网三者之间的相互关系，阐述了电力大数据平台中四个核心的关键技术，即集成管理技术、分析技术、处理技术、展现技术。文章最后的典型应用，对电力企业开展相关研究具有参考价值。大数据技术在商业领域已经获得较为广泛的应用并创造出巨大的商业价值，但是在电力系统中的应用才刚刚起步，因此结合大数据的技术优势和电力系统的应用需求，发挥电力大数据的价值，将为智能电网的建设带来新的发展契机。电力企业应该牢牢抓住这个契机，从数据政策、人才培养、关键技术研发等层面，全面促成电力大数据技术的发展。
参考文献：
[1]孙柏林.“大数据”技术及其在电力行业中的应用[J].电气时代，2013（8）：18-23.
[2]罗军舟，金嘉晖，宋爱波，等.云计算：体系架构与关键技术[J].通信学报，2011，32（7）：3-21.
[3]姚宏宇.大数据与云计算[J].信息技术与标准化，2013（5）：21-22.
[4]饶威，丁坚勇，路庆凯.智能电网云计算平台构建[J].华东电力，2011，39（9）：1493-1496.
换言之，大数据一词已经无处不在，其被用于承载所有类型的概念，包括海量数据、实时数据、社交媒体分析、下一代数据管理能力等。对于企业来说，对大数据的理解不应仅仅局限于技术领域，而应成为一项业务上需要优先考虑的任务，因为它能够带来全球整合经济时代商业模式的巨大变革。
目前，业界已经从对大数据重要性的认识阶段，发展到实践大数据必要性的战略实施阶段。中国市场在大数据概念产生的初期便已经步入大数据认知和探索阶段，并逐步成为全球市场最具行动力的市场之一。据IDC预测，2013年中国大数据市场将达到1.8亿美元。而赛迪顾问数据显示，到2016年，中国有望成为世界最大的大数据市场，市场份额达到8.03亿美元（约50亿人民币）。
数据改变世界
在感知化、物联化和智能化的交会下，世界的面貌即将改变。
2013年7月11日，IBM 2013技术峰会（IBM Tech Summit 2013）在京举行。牛津大学教授、大数据权威专家、《大数据时代》作者维克托·迈尔-舍恩伯格博士在会上表示：“大数据开启了一次重大的时代转型，正在变革我们的生活、工作和思维。中国是世界上最复杂的大数据国家，面临着充满变化的局面和无限的可能性，但是她同时也拥有最大的发展机会。因为在大数据环境下，充分的数据样本能够帮助企业揭示规律，更好的洞察和预测未来；另外，中国人凭借在数学和统计方面的优势，成为全球瞩目的大数据人才据点。我很高兴看到，在IBM和牛津大学年初的大数据调研中，中国市场有四分之一的企业已经步入大数据实践阶段。这表明中国不仅快速把握了创新的趋势，更有可能成为全球大数据领域的先驱。”
在大数据和分析领域，IBM已充分展现了在该市场的领先优势。近期，IBM被IT分析机构capioIT评为2013年亚太区商业智能和分析解决方案供应商行业第一名 。作为目前业界唯一能够集咨询、服务、软硬件综合实力，提供端到端全面整合解决方案的厂商，IBM相关产品和服务覆盖了“大数据”相关领域的各个阶段和各个领域。
IBM软件集团大中华区战略及市场总监吴立东认为：在大数据时代，企业既可以基于数据更好地做到以客户为中心，也可以利用大数据帮助企业整合后端业务，从而更好地为客户服务。
同时，IBM在全球的大数据实践已经深入到包括中国在内的全球市场的各个行业。包括电信、金融、医疗、零售、制造等全球30000家客户已在IBM大数据平台及大数据分析等技术和理念支持下获得收益。
前不久，IBM更是推出了大数据方面的多款产品和技术，大力提升了其分析产品的加速性能，简化了开发和运营，并推出了企业级别的开源Hadoop系统，同时推出了企业移动业务解决方案MessageSight，以及升级DB2 10.5等系列产品。在认知计算领域，更推出第一款面向消费者的Waston应用。其中，业内首创的分析加速技术BLU Acceleration，延续了传统的内存管理系统功能，能够帮助用户更快速地抓取关键信息，并将数据分析速度提高25倍。全新的“大数据专家”PureData for Hadoop系统能够大幅提升企业部署Hadoop的速度，同时降低部署难度。新版本企业级Hadoop产品InfoSphere BigInsights可以利用现有的SQL技术，更便捷地开发应用组件。
技术维新助力再现代化
随着IT技术的进一步发展，技术正在彰显着前所未有的特殊作用，人们对技术的追求也越来越迫切。
IBM全球副总裁兼大中华区软件集团总经理胡世忠表示：“最新的IBM全球CEO调研显示全球企业领导者将技术列为最重要的外部力量，而‘科技是第一生产力’一直被广大中国的企业家和技术人们奉为至理名言。IBM认为，在由新一代技术组成的智慧计算时代，中国的企业家们需要更为战略地思考信息科技的定位，将其运用到自身的变革转型之中。作为智慧地球的推进者，IBM正在引领商业和科技的创新，通过业务前线化实现以客户为中心的业务转型，通过企业内部全面整合大幅优化流程和运营，充分发挥最新的科技能力，携手合作伙伴帮助中国企业、组织和政府共同打造‘再现代化’发展的全新方式。”
IBM大中华区软件中间件集团总经理李红焰也表示，“人们已经逐渐意识到技术的复杂性和可消费性，技术的可消费性决定了技术的价值，如何让数据为我所用，成为IT发展的目的。”
大数据技术，是指大数据的应用技术，涵盖各类大数据平台、大数据指数体系等大数据应用技术。2018年，利用大数据技术打造指引行业发展的风向标，成为天津平行进口汽车行业向智能经济发展迈出的重要一步。天津市商务局机电产业处处长李建介绍了天津自贸试验区平行进口汽车大数据平台的进展情况及相关工作。大数据指数体系助力行业发展。
（来源：文章屋网 http://www.wzu.com）
在大数据（Big Data）时代，随着技术的发展，数据仓库已包含提取、清洗、集成数据并将数据交付给决策者的完整生态系统，包括提取-转换-加载 （ETL） 和商业智能 （BI） 功能。数据仓库在捕获所有形式的企业数据，以及在其后准备这些数据供全企业决策者使用的过程中，起到非常广泛的作用。
大数据与数据仓库的异同
大数据时代的到来，确实对传统的数据仓库认知产生了重大的影响。什么是大数据？大数据的“大”实际上并不是最令人关注的特征。大数据是很多不同格式的结构化、半结构化、非结构化和原始数据，在某些情况下看起来与过去 30 年来我们存储在数据仓库中清一色的标量数字和文本完全不同。从另外一个角度来讲，小数据比较简单，有比较成熟的技术应对它。大数据是多种类型数据的组成，需要使用多种技术对待它。每一个识别和监测它的手段和方法是不一样的。
然而，很多大数据不能使用任何类似 SQL 这样的工具进行分析。对于企业及应用来说，数据仓库应用更加有效。两者并不形成替代，特别是银行业等行业里面，更多的是互为补充。
数据仓库的技术特点
被称为数据仓库之父的BillInmon在其著作《（Building the Data Warehouse））一书这样描述：数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化（Time Variant）的数据集合，用于支持管理决策。可以从两个层面对数据仓库的概念进行理解，一是数据仓库是面向分析处理的，主要用来支持决策制定；二是数据仓库包含历史数据，是对多个异构的数据源数据按照主题的集成，它的数据相对固定，不会经常改动。
面向主题的：数据仓库的数据都是按照一定的业务主题进行组织的，面向主题体现在数据仓库的建设中，而且还包含在业务数据分析和存储上。
集成的：数据仓库中的数据来自各个不同的分散数据库中，它并不是对源数据库数据的简单拷贝，而是按照划分好的主题和数据分析要求，经过数据抽取、清理、汇总和整理等步骤，消除源数据中的错误和不一致的数据，保证数据仓库中数据的正确性和可用性。所以，它是整合集成的。
相对稳定的：数据仓库的稳定性体现在它的非易失性上，由于数据仓库是面向分析的，其中的数据是从业务数据中加载过来的历史数据，所进行的主要操作是查询和分析，供决策分析使用，所以其修改和删除操作很少，只需要定期的增量加载，所以具有相对稳定特征。
反映历史变化：数据仓库必须能够不断地捕捉业务系统中的变化数据，记录企业生产过程的各个阶段的信息，以满足决策分析的需要，所以必须实时地把新变化的业务数据追加到数据仓库中去，通过数据随时问变化的研究和分析，可以对企业的发展历程和未来趋势做出定量分析和预测。
选择实施方法
企业级数据仓库的实现通常有两种途径：一种是从建造某个部门特定的数据集市开始，逐步扩充数据仓库所包含的主题和范围，最后形成一个能够完全反应企业全貌的企业级数据仓库；另外一种则是从一开始就从企业的整体来考虑数据仓库的主题和实施。前一种方法是各个击破，投资少、周期短且易于见到成果，但由于该设计开始时是以特定的部门级主题为框架的，向其他的主题和部门扩充往往非常困难。而后一种方法恰恰相反：投资大、周期长，但是易于扩展。
以哪种方法进行实施，主要取决于各个行业和客户的实际情况。如电信和银行业，采用第二种方法比较可行，这是因为这两个行业业务发展变化快，为了能够适应将来的变化，整个数据仓库架构必须是可扩展的和易于维护的。如果只是基于部门级的需求去设计，将来肯定无法适应变化。如果重新设计，势必造成前期投入的浪费。对其他一些行业，如制造业和零售业，本着“急用先行”的原则，可以先从某一局部入手，慢慢扩展为数据仓库。
从技术上讲，以部门需求作为主要考虑因素建立的系统，它的数据量不会太大，会影响对将来数据膨胀风险的正确估计，当数据集市扩展到企业范围的时候，由于原有技术无法支撑新的数据规模，会造成数据装载和数据分析速度的降低，甚至达到不可用的地步。企业级的数据仓库会涉及更多的额业务系统，只有充分研究各业务系统，才能了解如何对不同格式、不同标准、不同接口的数据进行集成。
当然，对于第二种方法，也不是说把摊子铺的越大越好。合理的做法是“统筹规划，分步实施”。根据业务需求，把业务的主要方面都涵盖进去，确定彼此之间的联系；对于次要的需求，可以预留一些接口，以备将来细化。否则，如果整个调研周期拖得太长，等进入实施阶段，业务又发生变化，不得不重新修改设计，同样会造成浪费。
所以，先搭建好一个易于扩展且稳定的架构，在此基础上逐步实施，是一个兼顾长远发展与合理投入的最佳方式。此外，分步实施还可以减少风险：前一阶段的经验教训可以为下一阶段提供有益的借鉴，从而使得数据仓库的建设不断完善，不断发展。
结合先进技术 从业务需求出发
和其他的应用系统相比，数据仓库对于需求分析和系统设计等前期工作要求更高，其重要性也更加突出。可以说，分析和设计阶段决定了数据仓库最终的失败。因为需求不明确、设计不合理造成的根本性缺陷是以后实施阶段所无法弥补的。因此在分析和设计阶段，对相关的业务部门和技术部门要进行详细的调研，在用户和开发人员之间的迭代和反馈是必须和重要的，它决定了数据仓库最终的成功与否。
由于数据仓库是面向业务分析的，所以最主要的需求应该从业务部门获取和收集，因为数据仓库最终是要服务于业务部门的。需求抓的不准，导致将来将无法解决业务部门的问题，这个数据仓库项目就是失败的，技术再先进也没有用。这是衡量数据仓库成败与否的唯一尺度。
实施的过程中，最好能够把行业专家的经验，与企业现有的需求进行整合，以期得到一个更加全面的需求范围，有利于适应将来业务的变化和扩展。
从技术角度来讲，必须建立一个可伸缩、可扩展、高性能的数据仓库平台，才能为将来不断的完善、不断发展打下一个良好的基础；由于数据仓库项目要涉及多个业务系统，数据量非常庞大，所以本身的投入也是很大的，在保证系统高效稳定的前提下，尽量降低成本是非常重要的。
相关链接
数据仓库的类型
根据数据仓库所管理的数据类型和它们所解决的企业问题范围，一般可将数据仓库分为下列3种类型：操作型数据库（ODS）、数据仓库（Data Warehouse）和数据集市（Data Mart）。
操作型数据库（ODS）
既可以被用来针对工作数据做决策支持，又可用做将数据加载到数据仓库时的过渡区域。与 DW 相比较，ODS 有下列特点：ODS 是面向主题和面向综合的；ODS 是易变的；ODS 仅仅含有目前的、详细的数据，不含有累计的、历史性的数据。
数据仓库（Data Warehouse）
此种数据仓库被用来进行涵盖多种企业领域上的战略或战术上的决策。数据仓库是为企业所有级别的决策制定过程提供支持的所有类型数据的战略集合。它是单个数据存储，出于分析性报告和决策支持的目的而创建。
关键词：大数据环境 数据挖掘 具体技术分析
中图分类号：TP39 文献标识码：A 文章编号：1003-9082（2016）10-0004-02
技术在快速进步，现今时期内的网络正在深入生活，网络体现出重要的意义。从本质上看，大数据不仅代表了日益增长的数据量，同时也表现出更复杂的数据关系。增长的过程中，达到特定规模的数据量将会发生质变。大数据的具体类型包含了视频和文本等信息[1]。对于信息搜集以及处理等，也应当确保更快的处理速度。大数据环境下，数据挖掘的相关技术具备了独特的技术优势，然而同时也面对新阶段的技术挑战。面对新阶段的新环境，有必要给出数据挖掘的特定技术流程以及技术方式。结合现阶段面临的挑战，给出完善思路。
一、数据挖掘在大数据环境下的重要价值
面对信息化的新时期，各行业都不可缺少数字化技术作为支持。最近几年，互联网正在快速普及，在这种基础上也诞生了云计算和物联网的相关技术。在当前形势下，全球范围内的网络技术正在加快发展，爆炸式的数据增长趋势也因此变得更明显。信息化冲击着各个行业，传输信息的方式也在相应改变。信息化形势下，对于信息形成、信息运用以及信息共享都可以做到有效的整合[2]。在企业发展中，大数据起到了不可忽视的作用，同时也汇聚了各个层面的物力和人力。
从信息化角度看，企业在整合处理各类的数据时都需要借助电子化的方式。针对大量的资源和信息，应当符合交互式的处理方式和数据传输方式。数据化处理可以为企业提供精确的决策依据，因此也创造了更高层次的生产效能。云计算方式能够用来处理实时的数据，从而减少了整体投入。
随着技术进步，云计算技术正在变得更成熟。与此同时，云计算也配备了信息化的新式平台。这样做，在根本上确保了信息化的效能提高。在当前时期内，大数据代表着全新的发展阶段。这是因为，大数据技术可以用来筛选数据、存储数据或者调用数据，这些步骤和流程都不必耗费额外的资源。从行业本身来看，数据交换以及信息交易的总数都变得更大，因此也构建了规模更大的数据库。针对存储量很大的数据库，应当经过筛选和分类，提取必需的信息数据。这样做，就可以为各类用户提供必需的信息。由此可见，大数据环境中的数据挖掘具备更高的价值，有必要深入探析数据挖掘的相关技术方式[3]。
二、现今阶段的技术难点
从技术构架来看，数据库表现出更复杂的技术架构，因而也增加了整体数据库的管理难度。在传统模式下，数据库能够用来处理较低层次的数据，然而针对较高层次的信息数据并不能给予很好的处理。最近几年，数据总量正在增大，数据库管理也相应改变了常用的流程和模式。近些年，分布式的全球数据库也被创造出来，在这种形势下亟待扩展整体的处理规模，以此来适应现今阶段的数据处理。然而应该注意：传统数据库仍缺乏相应的分区和类型，非结构化的倾向十分明显。
从实时性来看，数据处理中的实时性需求正在变得更强，用户希望获得实时的处理方式和技术。最近几年，数据库表现出智能性和商业化的整体趋势，因此也相应提高了实时性的需求。针对各类型的信息，用户都有必要给予实时的解析和处理。大数据的整体背景有别于传统背景，这是因为智能式的商业处理方式正在被推广采用。因此，如果仍沿用常用的处理流程，那么很难符合新阶段的实时处理需要[4]。
从硬件和软件的存储方式看，传统类型的软硬件也不再满足需求。现今时期内，数据处理达到了更大的总量。与此相应，在信息保存的过程中也应当符合更高层次的精确性需求。数据量不断增大的状态下，只有配备高性能的软硬件，才能够给予必要的保障。实际上，软件更新的整体速度仍较慢，无法适应现有的形势。
从技术分析的具体方式看，传统方式的数据分析特指结构化的分析。经过分析之后，就可以归纳得到全面的体系，确保实效性的处理。然而，大数据形势下的各行业数据总量都变得更大，因此也挑战了常用的分析方式。
三、数据挖掘的技术优势
首先，数据挖掘符合了更强的实效性，满足实时的处理。信息技术的新时期内，不同类型的数据也蕴含了更多的知识价值。大数据环境下，数据分析更多表现为线性处理，这种趋势符合了新阶段的处理需求。如果选择了大数据这种处理形式，那么优先选择数据挖掘的相关技术方式。这是由于，数据挖掘可以运用于流处理的过程，从而也确保了批量式的处理。针对大数据而言，业务处理也在客观上需要设置实时性的处理框架，以此来满足实效性的新需要。
其次，在动态环境下，数据挖掘设置了特定的索引类型，能够符合动态变化的环境。从关系数据库的角度看，索引可以加快整体的检索速度。然而，传统类型的数据检索只设置了较少的几类索引[5]。近些年来，大数据的具体种类正在不断增多，这种形势下创建的索引就必须具备更简洁的特征，同时也必须符合高效化的整体要求。在数据挖掘中，索引形式是多样的，并且可以实时调整。因此，大数据环境中的索引形式应当更新，这样做才能便于提高实时查询的效率。
第三，大数据环境中的数据挖掘还具备丰富的先验知识。传统模式的数据分析通常选择了关系型的信息存储，这种模式隐含了先验知识。具体而言，在探求特定对象的属性时，首先就需要明确可以取到的数值范围。在进入分析之前，有必要初步了解这种取值范围。然而，大数据包含了更多的非结构性信息，因此在客观上也要求构建与之匹配的内部数据关系。数据是实时性的，因此并不具备先验知识。针对这种问题，数据挖掘也可以给予妥善的处理。
四、具体技术实现
在新的环境下，数据挖掘技术受到了更多行业的认可和接受，同时也逐渐扩展了应用范围。大数据环境下，数据挖掘具体可以划分为数据遗传、神经网络算法、粗糙集的算法、决策树算法等类型。现今社会中的信息呈现爆炸的趋势，数据挖掘因此也逐渐具备了独立性，构成了独立学科。用户运用分类技术，就能够针对特性类型的数据和信息予以分类，然后进入数据挖掘的过程中。由此可见，数据挖掘更加符合了大数据的特定环境和背景[6]。具体而言，数据挖掘的方式和技术手段包含了如下：
1.构建矩阵模型
存储大数据过程中，应当构建精确的矩阵模型。在建模的基础上，才能够适当运用数据挖掘的方式。针对不同来源的数据，也需要给出各异的处理方式。传统处理方式下，通常构建单一的数据库，用来存储信息并且分析信息。实际上，这种方式在具体落实时也很困难，因为不同类型的信息包含了繁杂的内容。大数据环境下，依照数据挖掘的思路，相关人员可以尝试构建相关的数据模型。这样做，就能够在根本上确保通用性，数据模型也能够容纳更多的数据内容。矩阵模型属于三维模型，模型具备立体性，因此更加便于数值分析。
2.设置关联规则
如果要顺利进行数据挖掘，那么先要挖掘关联规则。从特定属性来看，关联规则通常是隐含在属性内部的，是不可以预知的。对于此，只能依照选择的统计方法来实现。从兴趣度的角度看，关联规则通常取决于置信度和支持度这两个指标。为了达到平衡，用户就应当给出最小的置信度和支持度数据。数据挖掘的具体方式可以用来实现可靠的关联规则，建立必要的存储模型，用这种方式来集中表达关联规则。
3.聚类算法的运用
针对高维的空间，通常可以构建特定的聚类算法。为了详细区分不同类型的超图，数据挖掘选择了区分投影的方式。选择这种方式，能够细化不同类型的算法，进而也提高了算法整体的精细度。利用数据挖掘，实现了更优的超图划分，聚类计算得到的结果也表现得更加精确[7]。
结论
大数据背景下，数据库更需要数据挖掘作为支持。通过数据挖掘，能够筛选并且获得可利用的数据信息，满足新阶段的用户需求。经济在不断增长，然而与此同时资源消耗的总量也相应变得更大。大数据可以用于多领域的数据挖掘，因此也在根本上改变了原有的处理过程和处理方式。面对剧烈的市场竞争，数据挖掘的新方式也可以用于更广的领域，同时也起到了更大作用。未来的实践中，相关人员还需要结合大数据的特定背景，不断修正并完善现今阶段的数据挖掘手段。只有这样，才可以为各行业提供必要的决策依据，服务于数据挖掘的整体质量提高。
参考文献
[1]朱东华，张嶷，汪雪锋等. 大数据环境下技术创新管理方法研究[J]. 科学学与科学技术管理，2013（04）：172-180.
[2]王兰成，刘晓亮. 网上数字档案大数据分析中的知识挖掘技术研究[J]. 浙江档案，2013（10）：14-19.
[3]李海林.大数据环境下的数据挖掘课程教学探索[J].计算机时代，2014（02）：54-55.
[4]卢建昌，樊围国. 大数据时代下数据挖掘技术在电力企业中的应用[J]. 广东电力，2014（09）：88-94.
[5]黄取治. 大数据环境下O2O电商用户数据挖掘探讨[J]. 湖南科技学院学报，2015（05）：122-124.
[6]杜钢虎. 大数据时代背景下数据挖掘技术刍议[J]. 电子技术与软件工程，2015（14）：221.
【关键词】云计算 大数据 云数据中心 安全体系
一、引言
大数据时代，原有的信息资源处理手段已经不适应迅速增大的数据量级。大数据依托网络技术，采用数据挖掘、关联分析等技术手段对分布式存储的异构海量数据进行处理。无论是网络环境、计算平台、还是存储载体，都分属不同的信息系统。大数据进一步加剧了网络空间中防御与攻击的不对称性，大数据信息安全主要体现在处理系统、过程的安全，而传统的信息安全防护措施多集中在“封堵查杀”层面，难以应对大数据时代的信息安全挑战。因此应加快构建多层次、高质量的大数据纵深防御体系结构。加强大数据信息安全保障能力，是解决大数据安全的唯一出路。
二、大数据安全挑战
基于大数据环境下所带来的安全挑战包括：
1、应用安全防护：大数据环境下的应用防护风险，包括资源滥用、拒绝服务攻击、不安全集成模块或API接口及WEB安全；2、虚拟化环境安全：基于云计算和虚拟化技术的云计算数据中心为大数据提供了一个开放的环境，分布在不同地区的资源可以快速整合，动态配置，实现数据集合的共建共享。网络访问便捷化和数据流的形成，为实现资源的快速弹性推送和个性化服务提供基础。然而平台的暴露，使得蕴含着海量数据和潜在价值的大数据更容易吸引黑客的攻击。虚拟化环境安全成为大数据安全的重要威胁。3、移动接入安全：BYOD-移动接入安全，包括身份假冒和信息劫持等。4、安全与大数据融合：恶意的内部员工和数据隐私保护面临威胁。
本文分别从上面四个方面来分析大数据安全技术体系的建设办法，构建大数据纵深防御体系结构。
三、大数据安全技术体系
大数据应用安全防护主要在应用防护区部署虚拟化综合安全设备，包括DDOS、防火墙、IPS和WEB防火墙（WAF）等，同时部署漏洞分析系统，进行安全评估和渗透测试。
大数据虚拟化环境安全主要通过虚拟化防火墙TopVSP（Vgate、TAE、TD）和虚拟机管理器安全，即外部防火墙。实现虚拟化环境的性能优化和安全策略迁移等。
移动接入安全从下到上分为统一接入控制、数据安全及威胁防护和全生命周期设备管理三层。其中统一接入控制层在终端接入区使用身份认证及授权和虚拟应用及虚拟桌面，在网络接入区使用VPN加密，在业务服务区使用远程锁定、数据擦除、备份与恢复、GPS定位和自动报警灯管理器后动来实现。全生命周期设备管理包括资产接入、部署、运行和销毁全流程管理，资产接入包括资产的发现、注册和初始化；资产部署主要包括安全基线制定和配置及策略执行；资产运行包括资产的挂失、锁定、密码重置、定位、备份与恢复、报警等；数据销毁采用远程应用卸载和数据擦除等技术。
基于大数据融合下的安全云，主要实现方式是通过安全检测与大数据技术相融合，利用云计算能力及大数据处理机制实现信息访问的审计、安全威胁智能的发现、隐私数据的保护。主要包括安全监测与预警和安全审计及隐私保护两方面内容。安全检测与预警主要是通过7×24监控和运维，对事件进行收集、处理和存储，继而进行关联分析、威胁检测、风险计算和风险分析，将分析的结果通过短信或者邮件通告，并形成相应的工单、知识库和相应的报表进行派发、流转和处置。安全审计及隐私保护主要是为了避免内部恶意员工导致的云数据中心信息泄露，主要通过云安全设计平台实现大数据的审计和取证，主要的审计技术包括业务访问审计、数据库审计、安全运维审计和数据隐私保护审计等。
在采访中，首席信息官们总结出了5大影响他们进行分析的IT趋势。它们分别为：大数据的增长、快速处理技术、IT商品的成本下降、移动设备的普及和社交媒体的增长。
1.大数据
大数据指非常庞大的数据集，尤其是那些没有被整齐的组织起来无法适应传统数据仓库的数据集。网络蜘蛛数据、社交媒体反馈和服务器日志，以及来自供应链、行业、周边环境与监视传感器的数据都使得公司的数据变得比以往越来越复杂。
尽管并不是每个公司都需要处理大型、非结构型数据集的技术。VeriskAnalytics公司首席信息官PerryRotella认为所有的首席信息官都应当关注大数据分析工具。Verisk帮助金融公司评估风险，与保险公司共同防范保险诈骗，其在2010年的营收超过了10亿美元。Rotella认为，技术领导者对此应当采取的态度是，数据越多越好，欢迎数据的大幅增长。Rotella的工作是预先寻找事物间的联系与模型。
HMS公司首席信息官CynthiaNustad认为，大数据呈现为一种“爆炸性”增长趋势。HMS公司的业务包括帮助控制联邦医疗保险(Medicare)和医疗补助(Medicaid)项目成本和私有云服务。其客户包括40多个州的健康与人类服务项目和130多个医疗补助管理计划。HMS通过阻止错误支付在2010年帮助其客户挽回了18亿美元的损失，节约了数十亿美元。Nustad称：“我们正在收集并追踪大量素材，包括结构性与非结构性数据，因为你并不是总是知道你将在其中寻找什么东西。”
大数据技术中谈论最多的一项技术是Hadoop。该技术为开源分布式数据处理平台，最初是为编辑网络搜索索引等任务开发的。Hadoop为多个“非关系型(NoSQL)”技术(其包括CouchDB和MongoDB)中的一种，其通过特殊的方式组织网络级数据。
Hadoop可将数据的子集合分配给成百上千台服务器的处理，每台服务器汇报的结果都将被一个主作业调度程序整理，因此其具有处理拍字节级数据的能力。Hadoop既能够用于分析前的数据准备，也能够作为一种分析工具。没有数千台空闲服务器的公司可以从亚马逊等云厂商那里购买Hadoop实例的按需访问。
Nustad称，尽管并不是为了其大型的联邦医疗保险和医疗补助索赔数据库，但是HMS正在探索NoSQL技术的使用。其包括了结构性数据，并且能够被传统的数据仓库技术所处理。她称，在回答什么样的关系型技术是经实践证明最好用的解决方案时，从传统关系型数据库管理出发是并不明智。不过，Nustad认为Hadoop正在防止欺诈与浪费分析上发挥着重要作用，并且具备分析以各种格式上报的病人看病记录的潜力。
在采访中，那些体验过Hadoop的受访首席信息官们，包括Rotella和Shopzilla公司首席信息官JodyMulkey在内都在将数据服务作为公司一项业务的公司中任职。
Mulkey称：“我们正在使用Hadoop做那些以往使用数据仓库做的事情。更重要的是，我们获得了以前从未用过的切实有用的分析技术。”例如，作为一家比较购买网站，Shopzilla每天会积累数太字节的数据。他称：“以前，我们必须要对数据进行采样并对数据进行归类。在处理海量数据时，这一工作量非常繁重。”自从采用了Hadoop，Shopzilla能够分析原始数据，跳过许多中间环节。
GoodSamaritan医院是一家位于印第安纳州西南的社区医院，其处于另一种类型。该医院的首席信息官ChuckChristian称：“我们并没有我认为是大数据的东西。”尽管如此，管理规定要求促使其存储整如庞大的电子医疗记录等全新的数据类型。他称，这无疑要求他们要能够从数据中收集医疗保健品质信息。不过，这可能将在地区或国家医疗保健协会中实现，而不是在他们这种单个医院中实现。因此，Christian未必会对这种新技术进行投资。
IslandOneResorts公司首席信息官JohnTernent称，其所面临的分析挑战取决于大数据中的“大”还是“数据”。不过，目前他正在谨慎地考虑在云上使用Hadoop实例，以作为一种经济的方式分析复杂的抵押贷款组合。目前公司正在管理着佛罗里达州内的8处分时度假村。他称：“这种解决方案有可能解决我们目前正遇到的实际问题。”
2.商业分析速度加快
肯塔基大学首席信息官VinceKellen认为，大数据技术只是快速分析这一大趋势中的一个元素。他称：“我们期待的是一种更为先进的海量数据分析方法。”与更为快速地分析数据相比，数据的大小并不重要，“因为你想让这一过程快速完成”。
由于目前的计算能够在内存中处理更多的数据，因此与在硬盘中搜索数据相比，其计算出结果的速度要更快。即使你仅处理数G数据，但情况依然与此。
尽管经过数十年的发展，通过缓存频繁访问的数据，数据库性能提升了许多。在加载整个大型数据集至服务器或服务器集群的内存时，这一技术变得更加实用，此时硬盘只是作为备份。由于从旋转的磁盘中检索数据是一个机械过程，因此与在内存中处理数据相比，其速度要慢许多。
Rotella称，他现在几秒中进行的分析在五年前需要花上一个晚上。Rotella的公司主要是对大型数据集进行前瞻性分析，这经常涉及查询、寻找模型、下次查询前的调整。在分析速度方面，查询完成时间非常重要。他称：“以前，运行时间比建模时间要长，但是现在建模时间要比运行时间长。”
列式数据库服务器改变了关系型数据库的传统行与列结构，解决了另一些性能需求。查询仅访问有用的列，而不是读取整个记录和选取可选列，这极大地提高了组织或测量关键列的应用的性能。
Ternent警告称，列式数据库的性能优势需要配合正确的应用和查询设计。他称：“为了进行区别，你必须以适当的方式问它适当的问题。”此此同时，他还指出，列式数据库实际上仅对处理超过500G字节数据的应用有意义。他称：“在让列式数据库发挥作用之前，你必须收集一规模的数据，因为它依赖一定水平的重复提升效率。”
保险与金融服务巨头JohnHancock公司的首席信息官AllanHackney称，为了提高分析性能，硬件也需要进行提升，如增加GPU芯片，其与游戏系统中用到的图形处理器相同。他称：“可视化需用到的计算方法与统计分析中用到的计算方法非常相似。与普通的PC和服务器处理器相比，图形处理器的计算速度要快数百倍。我们的分析人员非常喜欢这一设备。”
3.技术成本下降
随着计算能力的增长，分析技术开始从内存与存储价格的下降中获益。同时，随着开源软件逐渐成为商业产品的备选产品，竞争压力也导致商业产品价格进一步下降。
Ternent为开源软件的支持者。在加入IslandOne公司之前，Ternent为开源商业智能公司Pentaho的工程副总裁。他称：“对于我来说，开源决定着涉足领域。因为像IslandOne这样的中等规模公司能够用开源应用R替代SAS进行统计分析。”
以前开源工具仅拥有基本的报告功能，但是现在它们能够提供最为先进的预测分析。他称：“目前开源参与者能够横跨整个连续统一体，这意味着任何人都能够使用它们。”HMS公司的Nustad认为，计算成本的变化正在改变着一些基础性架构的选择。例如，创建数据仓库的一个传统因素是让数据一起进入拥有强大计算能力的服务器中以处理它们。当计算能力不足时，从操作系统中分离分析工作负载可以避免日常工作负载的性能出现下降。Nustad称，目前这已经不再是一个合适的选择了。
她称：“随着硬件与存储越来越便宜，你能够让这些操作系统处理一个商业智能层。”通过重定数据格式和将数据装载至仓库中，直接建立在操作应用上的分析能够更为迅速地提供答案。
Hackney观察认为，尽管性价比趋势有利于管理成本，但是这些潜在的节约优势将被日益增长的能力需求所抵消。尽管JohnHancock每台设备的存储成本在今年下降了2至3%，但是消耗却增长了20%。
4.移动设备的普及
与所有的应用一样，商业智能正日益移动化。对于Nustad来说，移动商业智能具有优先权，因为每个人都希望Nustad能够随时随地亲自访问关于她的公司是否达到了服务级协议的报告。她还希望为公司的客户提供数据的移动访问，帮助客户监控和管理医疗保健开销。她称：“这是一个客户非常喜欢的功能。在五年前，客户不需要这一功能，但是现在他们需要这一功能了。”
对于首席信息官来说，要迎合这一趋势更多的是为智能手机、平板电脑和触摸屏设备创建适用的用户界面，而不是更为复杂的分析能力。或许是出于这方面的原因，Kellen认为这相对容易。他称：“对于我来说，这只是小事情。”
Rotella并不认为这很简单。他称：“移动计算影响着每一个人。许多人开始使用iPad工作，同时其它的移动设备正在呈现爆炸式增长。这一趋势正在加速并改变我们与公司内部计算资源交互的方式。”例如，Verisk已经开发了能够让理赔人在现场快速进行分析的产品，因此他们能够进行重置成本评估。他称：“这种方式对我们的分析产生了影响，同时也让每一个需要它的人随手就能使用。”
Rotella称：“引发这种挑战的因素在于技术的更新速度。两年前，我们没有iPad，而现在许多人都在使用iPad。随着多种操作系统的出现，我们正力争搞清楚其是如何影响我们的研发的，这样一来我们就不必一而再、再而三的编写这些应用。”IslandOne的Ternent指出，另一方面，为每一种移动平台创建原生应用的需求可能正在消退，因为目前手机和平板电脑上的浏览器拥有了更为强大的功能。Ternent称：“如果我能够使用一款专门针对移动设备的基于web的应用，那么我并不能肯定我将会对定制的移动设备应用进行投资。”
5.社交媒体的加入
随着脸谱、推特等社交媒体的兴起，越来越多的公司希望分析这些由网站产生的数据。新推出的分析应用支持人类语言处理、情感分析和网络分析等统计技术，这些并不是典型商业智能工具套件的组成部分。
由于它们都是新的，许多社交媒体分析工具可以作用服务获得。其中一个典型范例是Radian6。Radian6为软件即服务(SaaS)产品，近期已经被Salesforce.com所收购。Radian6是一种社交媒体仪表盘，为TwITter的留言、脸谱上的帖子、博客与讨论版上的帖子与评论中提及的特定术语以正负数显示，尤其是为商标名提供生动的直观推断。当营销与客户服务部门购买后，这类工具不再对IT部门有很严重的依赖性。目前，肯塔基大学的Kellen仍然相信他需要对它们高度关注。他称：“我的工作是识别这些技术，根据竞争力评估哪些算法适合公司，然后开始培训合适的人员。”
与其他公司一样，大学也对监督他们大学的声誉十分感兴趣。与此同时，Kellen表示，他可能还将寻找机会以开发专门用于解决学校所关注问题的应用，如监督学生入学率等问题。例如，监控学生在社交媒体上的帖子能够有帮于学校与管理人员尽早了解学生在大学里遇到的麻烦。Kellen称，目前戴尔已经做了这些工作，其产品支持公司探测人们关于故障笔记本电脑的推文。他称，IT开发人员还应当寻找一些办法将社交媒体分析得出的报警信息推送至应用中，以便于公司对相关事件快速做出反应。
关键词：大数据技术；计算机；信息安全
随着计算机信息技术的迅速发展，大数据技术在计算机信息安全提供了有利的条件。大数据技术对计算机信息安全的数据进行快速的收集和分析，云计算技术对数据进行加工处理。为计算机信息安全提供的可靠的基础。同时，大数据技术在数据分析的有效性有待进一步的提高，这也是我们要攻克的难点。
1大数据技术在计算机信息安全中的应用现状
1.1大数据技术概述
大数据技术是一种现代化技术，核心技术由大数据采集、大数据预处理、大数据存储、大数据分析组成。具体处理的过程如图1所示：先进行数据采集，再对采集到的原始数据所进行如图2的数据清理、数据集成、数据转换、数据规约操作后，后进行存储和数据分析。得到高质量的数据。随着大数据技术的发展，在计算机信息安全中应用更为突出。除此之外，必须要注意的是，大数据技术对于海量的数据在数据分析时也存在一定的困难。这也是本文研究的方向。
1.2大数据环境下面临的计算机信息安全问题
大数据技术已经深入各行各业，加上计算机信息的开发性，对计算机信息安全带来了问题。在大数据技术的应用过程中，没有和各行各业的需求相融合。导致大数据技术给计算机信息安全带来的效果不理想。所以实际使用期间，必须要深入理解用户需求[1]。实施大数据技术的过程中，计算机信息存储、信息的安全管理部到位，还有黑客的攻击、病毒的侵入，使得计算机信息在传输的过程或存储过程中的信息被窃取，直接威胁计算机信息安全。
1.3大数据技术在计算机信息安全中的应用现状
目前，关于大数据技术在计算机信息安全中的应用的研究比较多，并给出了相应的保障计算机信息安全的方法和技术。在企业应用领域，奇虎公司取得了业内瞩目的成果，其提出的“云+终端+边界”安全模型囊括了360的系列计算机产品，也大有扩张之势头，对于提高计算机信息安全保障质量具有一定的指向意义。
2大数据技术在计算机信息安全中的关键技术
2.1云计算技术
在大数据技术、云计算技术的快速发展，大数据技术处理的海量数据的信息安全方面，云计算技术为大数据技术提供了强大的技术支持。云计算技术通常会采用分布式存储技术，将数据存储在不同的物理设备中。这种模式不仅摆脱了硬件设备的限制，同时扩展性更好，能够快速响应用户需求的变化。从而保证数据的高可靠性和安全性[2]。
2.2加密技术
计算机信息化的快速发展，对于海量数据的处理必须满足信息计算机信息的安全，必须对海量的进行数据加密处理。在计算机信息的传输、保存期间定期检测数据，确保数据的安全性。同时在实践操作中应用数据加密安全技术[3]，杜绝计算机信息安全问题。
2.3数据备份技术
信息化的快速发展，给人们的生活提供了方便，但对计算机信息安全带来风险。在大数据技术中，数据的备份技术起到了很大的作用。通过数据备份技术为计算机信息安全提供足够的空间。目前在数据备份技术中，采用的存储介质为百度硬盘、移动硬盘、U盘、光盘这四种。各个企事业单位根据本单位的需求，选择相应的存储介质。同时要做到以便在发生突发状况时，比如断电、断网等，快速启动数据备份系统，防止数据丢失。
3大数据技术在计算机信息安全中的应用
3.1大数据采集技术
大数据采集技术在数据采集过程中，要考虑数据的安全问题，给予不同用户有身份验证。同时采取数据信息加密技术，利用数据传输过程的保真特点实现验证码和附加码的认证过程，从而加强对数据信息的完整性保护，继而更好地满足计算机网络安全防范的实际需求[4]。
3.2大数据存储技术
计算机信息的存储及传输要对信息进行保密和安全处理。大数据存储技术为海量数据的存储的安全性提供了保证。同时在计算机信息在信息的传输过程中，对计算机信息的数据进行加密保护。大数据存储和传统的数据存储的不相同，大数据技术应用表现形式是实时性。数据以每年增长50%的速度快速增长，特别是非结构化数据的增长。随着信息时代的进步，有越来越多的传感器采集数据、移动设备、社交多媒体等等，所以数据只能继续大幅增长。总而言之，大数据储存技术需要非常高性能、高吞吐率、大容量的基础设备。
3.3大数据技术、云计算技术
大数据技术和云计算技术在计算机信息安全中的应用是密不可分。大数据技术对计算信息安全的处理采用分布式结构处理。通过云计算技术的分布式处理、分布式数据库、云存储、虚拟化技术对海量数据的处理、存储。给计算机信息安全提供支持无论你采取何种数据分析模型，还是运算方式，它都是通过将海量的服务器资源通过网络进行整合，以整理出有效的数据信息，并将其分配给各个相对应的客户，来处理因存储资源不足给用户带来的问题。大数据技术是海量数据爆发式增长所带来的一个全新的研究领域，对于大数据的研究，主要集中在如何对其进行存储和有效的分析，大数据是依靠云计算技术来进行存储和计算的。通过大数据技术和云计算技术的配合使用，给计算机信息安全带来便利。
4大数据技术在计算机信息安全中的应用展望
4.1建立安全服务后台
建立安全服务后台的，将通过对计算机信息进行认证、授权、监控、分析、预警及响应等服务管理，实时提供信息服务。大数据技术的应用，有效解决了海量数据的处理，为计算机信息安全提供了保证。
4.2大数据技术的安全智能化发展
为了预防计算机病毒的入侵和黑客的攻击，必须建立计算机智能化发展。有效预防和解决这些问题，在计算机信息安全维护中，对于计算机信息安全的智能化判定快速的提升，是值得大数据技术、云计算技术参考学习。
关键词：大数据技术；计算机；信息安全
一、计算机信息系统中的大数据技术
（一）云计算技术
作为大数据时代下的代表性产物，云计算技术为大数据技术提供了强大的技术支持。云计算技术以分布式计算方式和并行式计算方式为主，两种方式可以有效梳理计算机数据信息，将网络信息资源综合，并对资源展开网格化计算，从而达到信息资源的优化配置。现如今，以云计算为基础的大数据技术能够科学处理计算机系统，提升系统的数据处理能力，使交互性成为系统的运行特点，满足现代化信息技术的发展需求。与此同时，云计算技术的发展使数据存储能力得到扩大，数据信息应用空间被拓展，系统可以朝着更多的领域延伸[1]。
（二）数据备份技术
交互性是互联网时代的重要特点，它为人类的经济生活和人际交往带来了便利，也对计算机信息系统的隐私保护带来挑战。为了保护数据安全，数据的备份尤为关键，将大数据技术应用在信息系统中，数据备份技术可以为信息营造安全的存储空间。通过数据备份技术的优化与升级，提升技术的适用性，应注意技术与计算机信息操作系统之间的兼容性，从而降低信息丢失的概率。
二、大数据技术在计算机信息安全中的应用展望
（一）利用大数据技术创建安全服务后台
在大数据技术的应用下，安全服务后台可以为计算机信息安全提供载体，在信息集约化处理下，使数据信息得到了一体化管理，也为信息安全提供了实时监控服务。简单来说，安全服务后台也是一种防御体系，具体表现如下：（1）大数据技术的应用解决了数据基数和异构数据量问题，使后台安全服务功能得到升级。（2）后台安全服务中包含用户数据信息、流量数据与日志信息。数据类型包含结构化数据与非结构化数据，这需要得到大数据技术的精准管理。可以通过分类设置安全密码的方式来保障信息安全。信息时代下，互联网的发展为人们的生活提供了方便，但很多人在密码设置上并不在意，这为日后的信息安全带来隐患。对此，建议用户按照一定的模式分类设置密码，确保每一个账户的独立性，通过分散式密码设置，降低密码泄露风险。同时，加强对数据信息的备份与恢复，定期备份数据可以抵御土方情况，确保数据的完整性。可将数据上传到云计算平台，需要时再从云平台内调取数据[2]。
（二）基于大数据技术实现计算机信息安全智能化发展
计算机信息安全管理中，黑客攻击是重点防御对象。随着信息技术的发展，黑客攻击已呈现出多元化特点，这需要信息安全人员强化自我素养，根据黑客攻击的最新特点，依靠大数据技术从海量信息中找出威胁因素。计算机信息安全维护中，人们开始以大数据技术作为重要的参考依据，并将智能化维护作为技术发展的目标。大数据技术对事故的判定需要依靠先验知识，在确保先验知识的丰富性基础上，应用大数据技术确保信息安全，使先验知识库与基础算法相融合，为计算机信息安全提供保障。
（三）应用大数据技术对计算机信息安全发展方向进行预测
现如今，网络攻击现象普遍存在，人们无法对网络攻击进行精准的预测，只能应用传统的防御体系该降低攻击的程度。这种防御方式无法准确锁定攻击目标，也不能对信息安全起到安全保障。对此，应用大数据思维对计算机系统信息分布状态加以预测，这将是未来大数据技术的重要发展方向。得知预测结果后，信息安全运维中心将按照结果制定安全策略，确保系统设备协同效应不受影响，提升系统的防御能力。制定威胁防御解决方案，利用智能数据泄露检测，加强对计算机信息威胁管理，阻止威胁对系统业务产生影响。
购物车(0)