楊道平　簡巖

摘 要：針對日益突顯的數(shù)據(jù)質(zhì)量問題，文章從數(shù)據(jù)可用性的角度，介紹并分析了目前國內(nèi)外基于單個屬性的數(shù)據(jù)質(zhì)量評估方法，指出了相關(guān)工作的進一步研究方向。

關(guān)鍵詞：數(shù)據(jù)質(zhì)量；可用性；評估方法

中圖分類號：TP315 文獻標(biāo)識碼：A 文章編號：1006-8937（2015）15-0062-02

隨著大數(shù)據(jù)時代的來臨，數(shù)據(jù)集合中劣質(zhì)數(shù)據(jù)也隨之大量產(chǎn)生，導(dǎo)致信息數(shù)據(jù)整體質(zhì)量下降，數(shù)據(jù)的有效使用受到了極大限制。為了更加有效發(fā)揮各行各業(yè)大數(shù)據(jù)的作用，開展數(shù)據(jù)可用性研究具有較大的戰(zhàn)略意義。

1 數(shù)據(jù)可用性定義

研究者們普遍認為，數(shù)據(jù)的可用性可以從數(shù)據(jù)的一致性、準(zhǔn)確性、完整性、時效性及實體同一性五個方面進行考察，其具體定義如下：

①數(shù)據(jù)的一致性：指數(shù)據(jù)信息系統(tǒng)中各相關(guān)數(shù)據(jù)信息之間相容、不產(chǎn)生矛盾。

②數(shù)據(jù)的準(zhǔn)確性：指數(shù)據(jù)信息系統(tǒng)中每個數(shù)據(jù)表示現(xiàn)實物體的精準(zhǔn)程度。人們對數(shù)據(jù)進行操作的各個環(huán)節(jié)都可能影響數(shù)據(jù)準(zhǔn)確性。

③數(shù)據(jù)的完整性：指數(shù)據(jù)集合包含的數(shù)據(jù)完全滿足對數(shù)據(jù)進行各項操作的要求。

④數(shù)據(jù)的時效性：是指在不同需求場景下數(shù)據(jù)的及時性和有效性。對應(yīng)用系統(tǒng)而言，往往對數(shù)據(jù)時效性要求較高，過時的數(shù)據(jù)即使分析出來了也不會對實際應(yīng)用產(chǎn)生有價值的影響。

⑤實體的同一性：指同一實體在各種數(shù)據(jù)源中的描述統(tǒng)一。

一個數(shù)據(jù)集合，滿足以上五個性質(zhì)的程度稱為該數(shù)據(jù)集合的可用性。

2 評估方法分析

對于數(shù)據(jù)可用性評估，國內(nèi)外研究人員也進行了許多工作。以下從數(shù)據(jù)的一致性、精確性、完整性、時效性、實體同一性五個方面進行介紹和分析。

2.1 基于一致性的方法

文獻[1]針對異地備份系統(tǒng)中數(shù)據(jù)持續(xù)變化的情況，設(shè)計并實現(xiàn)了一種基于累積摘要值的一致性檢測方法。該方法解決了傳統(tǒng)一致性檢測需要中斷備份任務(wù)的問題，保證了備份任務(wù)的連續(xù)性，并且能夠迅速檢測本地服務(wù)器和遠程備份中心數(shù)據(jù)的一致性，提高了一致性檢測的效率。

文獻[2]從已有的一致性維護方法出發(fā)，針對海量數(shù)據(jù)多副本之間一致性維護，從一致性維護過程中所涉及的更新發(fā)布、更新傳播方式、更新傳播內(nèi)容、更新沖突解決等幾個方面進行了分析，提出了相應(yīng)的解決辦法。

文獻[3]針對P2P分布存儲系統(tǒng)中大型數(shù)據(jù)對象面臨的數(shù)據(jù)一致性問題，提出了數(shù)據(jù)一致性維護方法PLCP。該方法從提高更新傳播速度和減少日志空間開銷的角度進行了數(shù)據(jù)優(yōu)化。同時針對數(shù)據(jù)更新的問題和關(guān)鍵屬性更新的問題，提出數(shù)據(jù)一致性維護方法DACP和KACP。

文獻[5]從無線傳感網(wǎng)絡(luò)數(shù)據(jù)安全的角度，結(jié)合一些廉價的保護技術(shù)，提出了利用跨層一致性評估信息整體質(zhì)量的方法。

基于數(shù)據(jù)一致性的方法，主要體現(xiàn)在集中存儲方面，對于分布式和非關(guān)系數(shù)據(jù)方面研究還較少，適用于海量數(shù)據(jù)的一致性評估方法有待進一步探索。

2.2 基于精確性的方法

數(shù)據(jù)精確性方面的研究結(jié)果比較少見，文獻[6]從精確度低的角度，提出了對應(yīng)的精確性評估算法。該算法考慮了一種基于可能世界語義的描述方法。目前的研究結(jié)果顯示，數(shù)據(jù)精確性的評估方法還有待研究者們深入探究。

2.3 基于完整性的方法

針對海量關(guān)系數(shù)據(jù)中普遍存在的數(shù)據(jù)不完整現(xiàn)象，劉永楠等研究了關(guān)系數(shù)據(jù)完整性度量問題。針對數(shù)據(jù)的完整性計算問題，提出了數(shù)據(jù)完整性計算模型，以及精確算法和基于均勻抽樣的近似算法。理論分析證明了近似算法可以達到任意的精度要求，可以高效地對數(shù)據(jù)完整性進行計算，通過在DBLP數(shù)據(jù)上的實驗驗證了算法的有效性和高效性。

在具體應(yīng)用領(lǐng)域，張少敏等利用IEC61970對智能電網(wǎng)進行信息集成，然后根據(jù)完整性定義，對智能電網(wǎng)數(shù)據(jù)進行自動機建模，給出了一種無需對數(shù)據(jù)進行直接操作的數(shù)據(jù)完整性定量評估模型。

Barcelo P等將傳統(tǒng)的完整性理論擴展到XML數(shù)據(jù)上，討論了不完整XML數(shù)據(jù)的表示問題。

另外，針對云存儲服務(wù)中數(shù)據(jù)的完整性問題，一些研究者提出了PDP 和POR。這兩種方案都采用了概率性證明思路，即存儲服務(wù)提供商向數(shù)據(jù)擁有者證明其完整的持有數(shù)據(jù)擁有者存儲的數(shù)據(jù)。

基于數(shù)據(jù)完整性評估方面的結(jié)論還較少，特別是具有普遍適用價值的方法，還有待進一步研究。

2.4 基于時效性的方法

文獻[7]針對歷史評價數(shù)據(jù)時效性會影響評價計算準(zhǔn)確性的問題，引入了評價數(shù)據(jù)的時間屬性，構(gòu)造了評價數(shù)據(jù)衰減因子，減小了時效性對于評價計算準(zhǔn)確性的影響。

文獻[8]研究了包含冗余記錄的集合在給定時效約束下的時效性判定問題，并首次提出了時效性判定問題的求解算法.

在建筑能耗領(lǐng)域，文獻[9]通過對幾類典型公共建筑能耗數(shù)據(jù)的統(tǒng)計分析對比，提出了采用近1年的能耗數(shù)據(jù)作為統(tǒng)計樣本的建議。

基于時效性方面的研究非常匱乏，已有的少量研究結(jié)論都主要針對一些特殊應(yīng)用，還需深入系統(tǒng)的研究。

2.5 基于實體同一性的方法

實體同一性是數(shù)據(jù)可用性研究較多的一個方面，實體同一性研究主要涉及兩類方法：第一類是從語義規(guī)則的角度進行同一性研究，這類方法主要通過經(jīng)驗知識來描述實體的同一性問題；第二類是從相似性的角度進行同一性研究，該類方法主要采用相似度函數(shù)來對實體同一性進行判定。

針對實體同一性方面的相關(guān)技術(shù)，包括實體識別的效率問題、識別的增量計算、半結(jié)構(gòu)化數(shù)據(jù)上的實體識別等，文獻[4] 展開了相對完整的討論。

對于實體統(tǒng)一性的評估方法大多針對關(guān)系數(shù)據(jù)，針對復(fù)雜結(jié)構(gòu)數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、非機構(gòu)化數(shù)據(jù)方面的研究還很少。

3 結(jié) 語

在大數(shù)據(jù)時代，數(shù)據(jù)量急劇增長，數(shù)據(jù)的可用性問題將嚴(yán)重影響基于數(shù)據(jù)的知識和決策。確保大數(shù)據(jù)的可用性是進行大數(shù)據(jù)分析、處理的關(guān)鍵基礎(chǔ)，將直接關(guān)系到大數(shù)據(jù)價值的體現(xiàn)。本文針對數(shù)據(jù)質(zhì)量問題，從數(shù)據(jù)可用性的角度，介紹并分析了目前國內(nèi)外基于單個屬性的數(shù)據(jù)質(zhì)量評估方法，將有助于促進大數(shù)據(jù)可用性的研究。

參考文獻：

[1] 劉仕一，李濤，劉哲哿，等.異地備份系統(tǒng)數(shù)據(jù)一致性檢測方法[J].計算機工程與設(shè)，2010，（17）.

[2] 周婧，王意潔，阮煒，等.面向海量數(shù)據(jù)的數(shù)據(jù)一致性研究[J].計算機科學(xué)，2006，（4）.

[3] 周婧.P2P分布存儲系統(tǒng)中海量數(shù)據(jù)的數(shù)據(jù)一致性維護技術(shù)研究[D].長沙：國防科學(xué)技術(shù)大學(xué)，2007.

[4] 劉顯敏，李建.中實體識別問題的相關(guān)研究[J].智能計算機與應(yīng)用，2013，（2）.

[5] Mattia Monga，Sabrina Sicari.Assessing Data Quality by a Cross-Layer

Approach[D].Ultra Modern Telecommunications & Workshops，2009.

[6] Cheng R，Chen J，xie X.Cleaning uncertain data with quality guarant-

ees[J].Proceedings of the VLDB Endowment，2008，（1）.

[7] 楊超，吳愛榮.基于衰減因子的評價數(shù)據(jù)時效性處理方法[J].計算機工程與設(shè)計，2010，（3）.

[8] 李默涵，李建中，高宏.數(shù)據(jù)時效性判定問題的求解算法[J].計算機學(xué)報，2012，（11）.

[9] 黃志鋒.建筑能耗定額編制中數(shù)據(jù)樣本的時效性分析[J].廣東土木與建筑，2012，（7）.