文棒棒，曾獻(xiàn)輝

(1. 東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海 201620；2.數(shù)字化紡織服裝技術(shù)教育部工程研究中心，上海 201620)

?

面向工業(yè)4.0的多表架構(gòu)與NoSQL大數(shù)據(jù)集成的數(shù)據(jù)存儲(chǔ)策略研究

文棒棒1,2，曾獻(xiàn)輝1,2

(1. 東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海 201620；2.數(shù)字化紡織服裝技術(shù)教育部工程研究中心，上海 201620)

工業(yè)4.0環(huán)境下，生產(chǎn)現(xiàn)場(chǎng)的監(jiān)測(cè)數(shù)據(jù)除了需要實(shí)時(shí)顯示與分析外，還需要作為歷史記錄進(jìn)行保存。面對(duì)海量的生產(chǎn)數(shù)據(jù)，現(xiàn)有的數(shù)據(jù)庫(kù)技術(shù)已經(jīng)很難滿足該要求。提出了一種基于傳統(tǒng)數(shù)據(jù)庫(kù)多表架構(gòu)與NoSQL大數(shù)據(jù)庫(kù)相結(jié)合的新型數(shù)據(jù)存儲(chǔ)方案。該方案基于傳統(tǒng)數(shù)據(jù)庫(kù)的多表架構(gòu)實(shí)現(xiàn)實(shí)時(shí)數(shù)據(jù)的分布式存儲(chǔ)，同時(shí)將歷史數(shù)據(jù)遷移至NoSQL大數(shù)據(jù)庫(kù)，解決了工業(yè)4.0下的海量數(shù)據(jù)存儲(chǔ)問題。最后給出了某企業(yè)基于SQL Server和MongoDB的實(shí)際應(yīng)用，驗(yàn)證了本文方法的正確性和有效性。

多表結(jié)構(gòu)；NoSQL大數(shù)據(jù)庫(kù)；數(shù)據(jù)遷移；MapReduce分析

引用格式：文棒棒，曾獻(xiàn)輝．面向工業(yè)4.0的多表架構(gòu)與NoSQL大數(shù)據(jù)集成的數(shù)據(jù)存儲(chǔ)策略研究[J].微型機(jī)與應(yīng)用，2016,35(18)：6-9.

0　引言

進(jìn)入21世紀(jì)以來，隨著網(wǎng)絡(luò)信息技術(shù)、智能科學(xué)的蓬勃發(fā)展，信息化和智能化正逐步融合到工業(yè)生產(chǎn)中，向人們展示著工業(yè)4.0時(shí)代的到來[1]。在工業(yè)4.0 時(shí)代，企業(yè)在生產(chǎn)過程中累積的大量與生產(chǎn)監(jiān)測(cè)相關(guān)的數(shù)據(jù)匯聚成數(shù)據(jù)的海洋，這些數(shù)據(jù)不僅種類繁多同時(shí)產(chǎn)生速度快、價(jià)值密度低。要充分利用這些數(shù)據(jù)，就需要企業(yè)不僅能夠?qū)崿F(xiàn)這些數(shù)據(jù)的實(shí)時(shí)顯示與分析，同時(shí)又能夠?qū)Ξa(chǎn)生的歷史數(shù)據(jù)進(jìn)行有效的存儲(chǔ)與分析。本文針對(duì)此問題，提出了一種基于傳統(tǒng)數(shù)據(jù)庫(kù)多表架構(gòu)和大數(shù)據(jù)相結(jié)合的數(shù)據(jù)存儲(chǔ)策略，該方法解決了工業(yè)數(shù)據(jù)的實(shí)時(shí)存儲(chǔ)，同時(shí)可實(shí)現(xiàn)對(duì)海量歷史數(shù)據(jù)的有效保存與分析，以幫助企業(yè)充分利用這些數(shù)據(jù)。

1　工業(yè)數(shù)據(jù)存儲(chǔ)技術(shù)

工業(yè)4.0時(shí)代的到來，也意味著工業(yè)生產(chǎn)大數(shù)據(jù)時(shí)代的到來[2]。一般意義上講，大數(shù)據(jù)具有數(shù)據(jù)量大、數(shù)據(jù)種類多、商業(yè)價(jià)值高、處理速度高等特點(diǎn)。在此基礎(chǔ)上，工業(yè)生產(chǎn)中的數(shù)據(jù)還有兩大特點(diǎn)：一是準(zhǔn)確率高，二是實(shí)時(shí)性強(qiáng)。工業(yè)生產(chǎn)中重要的應(yīng)用場(chǎng)景是實(shí)時(shí)監(jiān)測(cè)、實(shí)時(shí)預(yù)警、實(shí)時(shí)控制。一旦數(shù)據(jù)的采集、傳輸和應(yīng)用等全處理流程耗時(shí)過長(zhǎng)，就難以在生產(chǎn)過程中發(fā)揮其價(jià)值[3]。如圖1所示，在多個(gè)采集工作站進(jìn)行數(shù)據(jù)采集時(shí)，每天產(chǎn)生的數(shù)據(jù)量都是非常大的，此時(shí)不僅要保證這些數(shù)據(jù)的實(shí)時(shí)性，同時(shí)還需要一種存儲(chǔ)技術(shù)能夠?qū)崿F(xiàn)這些數(shù)據(jù)的歷史保存。傳統(tǒng)的數(shù)據(jù)庫(kù)存儲(chǔ)技術(shù)主要有兩種：一種是采用數(shù)據(jù)直接存放的方式，即單一表格存儲(chǔ)；另一種則是采用數(shù)據(jù)庫(kù)多表架構(gòu)的方式，即多表存儲(chǔ)。

圖1　工業(yè)生產(chǎn)數(shù)據(jù)網(wǎng)絡(luò)拓?fù)鋱D

1.1數(shù)據(jù)庫(kù)單表直接存放形式存儲(chǔ)

傳統(tǒng)的數(shù)據(jù)庫(kù)存儲(chǔ)方法大多采用數(shù)據(jù)的直接存放形式，即單一表格形式。這種方法是將所有數(shù)據(jù)都直接存放在一個(gè)單表里，表中包括數(shù)據(jù)的所有字段和記錄。該方法的優(yōu)點(diǎn)是設(shè)計(jì)簡(jiǎn)單，使用非常方便，能夠較好地實(shí)現(xiàn)數(shù)據(jù)的存儲(chǔ)。但是由于只是單個(gè)表格，當(dāng)單表數(shù)據(jù)量非常大時(shí)，數(shù)據(jù)庫(kù)的訪問速度會(huì)急劇下降，會(huì)使得系統(tǒng)變得相當(dāng)不穩(wěn)定，此時(shí)若繼續(xù)對(duì)數(shù)據(jù)進(jìn)行查詢與插入，甚至可能出現(xiàn)死機(jī)等不能運(yùn)作的情況。因此這種方法不適合大量數(shù)據(jù)的實(shí)時(shí)存儲(chǔ)。

1.2數(shù)據(jù)庫(kù)多表分布式存儲(chǔ)

不同于數(shù)據(jù)的直接存儲(chǔ)方式，分表，顧名思義，就是通過一系列的切分規(guī)則將數(shù)據(jù)分布到不同的表中，如按照自然時(shí)間來分，可分為按日生成表、按月生成表和按年生成表。分表不僅能夠更好地完成大量數(shù)據(jù)的分布式存儲(chǔ)，增大數(shù)據(jù)庫(kù)的存儲(chǔ)容量，而且減少了數(shù)據(jù)庫(kù)的負(fù)擔(dān)，提高了數(shù)據(jù)庫(kù)的效率，特別是提高了單個(gè)表的增刪改查效率，能夠?qū)崿F(xiàn)數(shù)據(jù)的實(shí)時(shí)顯示與分析。但是，對(duì)于分表后存儲(chǔ)的歷史數(shù)據(jù)，在對(duì)其進(jìn)行統(tǒng)計(jì)分析時(shí)往往需要遍歷所有的表格進(jìn)行多表之間的聯(lián)合，查詢速度會(huì)相當(dāng)慢，不便于實(shí)現(xiàn)歷史數(shù)據(jù)的有效分析。

1.3NoSQL大數(shù)據(jù)庫(kù)存儲(chǔ)

隨著工業(yè)生產(chǎn)數(shù)據(jù)的不斷增加，關(guān)系型數(shù)據(jù)庫(kù)在面對(duì)大量歷史數(shù)據(jù)的存儲(chǔ)和訪問等問題上逐漸暴露出一些不足之處。為了彌補(bǔ)這些不足，NoSQL數(shù)據(jù)庫(kù)應(yīng)運(yùn)而生。NoSQL[4](Not Only SQL)是對(duì)傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)以外的非關(guān)系型數(shù)據(jù)庫(kù)的統(tǒng)稱。NoSQL數(shù)據(jù)庫(kù)憑借其不固定的鍵值對(duì)結(jié)構(gòu)打破了傳統(tǒng)數(shù)據(jù)庫(kù)中表與表之間的關(guān)聯(lián)問題導(dǎo)致的性能瓶頸，大大減少了對(duì)歷史數(shù)據(jù)進(jìn)行存儲(chǔ)、計(jì)算、查詢等操作在時(shí)間和空間上的開銷。但是，在實(shí)時(shí)數(shù)據(jù)的分析與顯示方面，NoSQL往往顯得力不從心，數(shù)據(jù)處理不夠快速，且不能直觀顯示處理后的結(jié)果。

2　多表架構(gòu)與大數(shù)據(jù)集成的新的數(shù)據(jù)存儲(chǔ)策略

圖2　傳統(tǒng)數(shù)據(jù)庫(kù)多表與NoSQL結(jié)合的數(shù)據(jù)存儲(chǔ)流程

面對(duì)工業(yè)生產(chǎn)上的實(shí)時(shí)數(shù)據(jù)，不僅要求能夠?qū)ζ溥M(jìn)行實(shí)時(shí)顯示與分析，同時(shí)還要將其作為歷史數(shù)據(jù)進(jìn)行保存。對(duì)此，現(xiàn)有的數(shù)據(jù)庫(kù)方法已經(jīng)無(wú)法滿足。本文提出一種基于傳統(tǒng)數(shù)據(jù)庫(kù)多表架構(gòu)與NoSQL大數(shù)據(jù)庫(kù)相結(jié)合的新型數(shù)據(jù)存儲(chǔ)方案，該方案利用傳統(tǒng)數(shù)據(jù)庫(kù)的多表方法實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)存儲(chǔ)，并實(shí)現(xiàn)對(duì)數(shù)據(jù)的實(shí)時(shí)操作與查詢顯示。此外，對(duì)于累積的歷史數(shù)據(jù)，則利用數(shù)據(jù)遷移技術(shù)遷移至NoSQL數(shù)據(jù)庫(kù)進(jìn)行歷史保存，不僅解決了海量數(shù)據(jù)的存儲(chǔ)問題，而且可以利用大數(shù)據(jù)技術(shù)對(duì)歷史數(shù)據(jù)進(jìn)行深層次的分析處理，以實(shí)現(xiàn)生產(chǎn)數(shù)據(jù)的最大化利用。圖2所示為傳統(tǒng)數(shù)據(jù)庫(kù)與NoSQL大數(shù)據(jù)庫(kù)相結(jié)合的數(shù)據(jù)存儲(chǔ)方案的處理流程。

2.1傳統(tǒng)多表架構(gòu)實(shí)現(xiàn)實(shí)時(shí)存儲(chǔ)與訪問

利用傳統(tǒng)數(shù)據(jù)庫(kù)的多表架構(gòu)可以實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)存儲(chǔ)與訪問，而多表的實(shí)現(xiàn)則主要利用存儲(chǔ)過程方法。存儲(chǔ)過程，即一組預(yù)先寫好的能實(shí)現(xiàn)某種功能的一段程序，將其保存在數(shù)據(jù)庫(kù)中，以后若要實(shí)現(xiàn)該功能則直接可調(diào)用該程序來完成[5]。因此，只要預(yù)先定義好存儲(chǔ)過程，當(dāng)對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)時(shí)則可直接進(jìn)行調(diào)用，從而將數(shù)據(jù)實(shí)時(shí)地存儲(chǔ)在不同的表格里。而對(duì)于數(shù)據(jù)的訪問，同樣可以將相應(yīng)的操作通過建立存儲(chǔ)過程來實(shí)現(xiàn)。利用多表架構(gòu)一方面能夠保證數(shù)據(jù)的實(shí)時(shí)性存儲(chǔ)要求，另一方面將數(shù)據(jù)存儲(chǔ)在多個(gè)表里可以提高每個(gè)表的訪問速度，便于對(duì)表中的數(shù)據(jù)進(jìn)行實(shí)時(shí)顯示與相應(yīng)的增刪改查處理。

2.2大數(shù)據(jù)技術(shù)實(shí)現(xiàn)歷史記錄保存與分析

數(shù)據(jù)庫(kù)多表架構(gòu)解決了數(shù)據(jù)的實(shí)時(shí)性問題。但是，對(duì)于如何將這些海量數(shù)據(jù)作為歷史記錄進(jìn)行有效保存同時(shí)可以實(shí)現(xiàn)對(duì)其深層次的分析與利用，傳統(tǒng)的數(shù)據(jù)庫(kù)方法已經(jīng)無(wú)法滿足要求。此時(shí)，大數(shù)據(jù)存儲(chǔ)技術(shù)的優(yōu)勢(shì)則脫穎而出。NoSQL數(shù)據(jù)庫(kù)具有高水平擴(kuò)展能力和低端硬件集群，可以很好地應(yīng)對(duì)海量數(shù)據(jù)的存儲(chǔ)問題。利用數(shù)據(jù)遷移技術(shù)，即通過不同的接口函數(shù)訪問不同的數(shù)據(jù)庫(kù)，實(shí)現(xiàn)歷史數(shù)據(jù)從傳統(tǒng)數(shù)據(jù)庫(kù)向NoSQL大數(shù)據(jù)庫(kù)的遷移。而將數(shù)據(jù)存儲(chǔ)在NoSQL數(shù)據(jù)庫(kù)后，可利用大數(shù)據(jù)分析技術(shù)實(shí)現(xiàn)歷史記錄的分析處理。例如MapReduce[6-7]，它是一種并行編程模型，用于大規(guī)模數(shù)據(jù)集的并行運(yùn)算，其特點(diǎn)是簡(jiǎn)單易學(xué)，適用廣泛，能夠降低并行編程難度，程序員只需實(shí)現(xiàn)其中的map函數(shù)和reduce函數(shù)，而具體操作則交由MapReduce自身的框架來處理。

3　多表架構(gòu)與NoSQL大數(shù)據(jù)存儲(chǔ)策略的實(shí)現(xiàn)與應(yīng)用分析

為了驗(yàn)證本文所提出方案的正確性和有效性，本文結(jié)合了某智能制造廠在生產(chǎn)過程中機(jī)器產(chǎn)生的大量數(shù)據(jù)來對(duì)其進(jìn)行分析與應(yīng)用。根據(jù)對(duì)智能制造廠生產(chǎn)現(xiàn)場(chǎng)的分析，得知其存在多個(gè)車間，且每個(gè)車間都有上千臺(tái)機(jī)器，每臺(tái)機(jī)器在工作時(shí)都會(huì)產(chǎn)生大量的數(shù)據(jù)。為了能夠充分利用這些數(shù)據(jù)，首要的任務(wù)就是要解決如何把這些數(shù)據(jù)實(shí)時(shí)地存儲(chǔ)下來。通過比較分析，最終采用傳統(tǒng)的SQL Server數(shù)據(jù)庫(kù)對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行存儲(chǔ)，而對(duì)于歷史數(shù)據(jù)的存儲(chǔ)與分析則采用NoSQL數(shù)據(jù)庫(kù)中的MongoDB數(shù)據(jù)庫(kù)。

3.1實(shí)時(shí)數(shù)據(jù)的存儲(chǔ)與分析

圖3　實(shí)時(shí)數(shù)據(jù)多表存儲(chǔ)的處理流程

在數(shù)據(jù)的實(shí)時(shí)存儲(chǔ)方面，采用SQL Server數(shù)據(jù)庫(kù)多表架構(gòu)的存儲(chǔ)方法。該方法首先將預(yù)先定義好的存儲(chǔ)過程存儲(chǔ)在SQL Server數(shù)據(jù)庫(kù)中，在對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)之前，先調(diào)用存儲(chǔ)過程檢測(cè)數(shù)據(jù)庫(kù)是否連接，若未連接，則要求連接；連接以后獲取當(dāng)前時(shí)間檢測(cè)數(shù)據(jù)表是否存在，若不存在則調(diào)用其他存儲(chǔ)過程生成當(dāng)前時(shí)間的數(shù)據(jù)表；當(dāng)數(shù)據(jù)表存在后則可進(jìn)行數(shù)據(jù)的實(shí)時(shí)性讀寫與插入。數(shù)據(jù)的整個(gè)存儲(chǔ)過程都是調(diào)用預(yù)先定義好的語(yǔ)句，通過存儲(chǔ)過程實(shí)現(xiàn)多表的按日生成，避免了傳統(tǒng)數(shù)據(jù)存儲(chǔ)時(shí)的繁瑣語(yǔ)句。同時(shí)若需要對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)查詢與顯示，同樣可通過定義好的SQL語(yǔ)句生成存儲(chǔ)過程實(shí)現(xiàn)對(duì)批量數(shù)據(jù)的增刪改查。圖3所示為利用存儲(chǔ)過程實(shí)現(xiàn)實(shí)時(shí)數(shù)據(jù)多表方式的存儲(chǔ)流程。

3.2歷史數(shù)據(jù)的遷移與存放

圖4　歷史數(shù)據(jù)的遷移與存放處理流程

對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行SQL Server多表存儲(chǔ)和實(shí)時(shí)分析后，利用數(shù)據(jù)遷移技術(shù)將數(shù)據(jù)遷移至NoSQL數(shù)據(jù)庫(kù)進(jìn)行存儲(chǔ)和分析。MongoDB[8]數(shù)據(jù)庫(kù)是NoSQL數(shù)據(jù)庫(kù)的一種，其存儲(chǔ)結(jié)構(gòu)為典型的key-value鍵值對(duì)型，而且它最大的特點(diǎn)是具有強(qiáng)大的查詢功能，支持通用輔助索引和復(fù)合索引，能夠進(jìn)行多種快速查詢，同時(shí)還支持各種分析工具，可以很好地對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析。因此，可以通過傳統(tǒng)數(shù)據(jù)庫(kù)的ADO技術(shù)來訪問SQL Server數(shù)據(jù)庫(kù)，將SQL Server中的數(shù)據(jù)轉(zhuǎn)移到MongoDB數(shù)據(jù)庫(kù)中，實(shí)現(xiàn)海量歷史數(shù)據(jù)的存儲(chǔ)。如圖4所示，首先進(jìn)行SQL Server的連接，其連接形式為：

string conStr = "server=(local); Initial Catalog = Textile; Integrated Security = true";

SqlConnection connection = new SqlConnection(conStr);

SqlCommand cmd = connection.CreateCommand();

connection.Open();

在連接數(shù)據(jù)庫(kù)后可自行設(shè)置SQL命令將數(shù)據(jù)庫(kù)中的數(shù)據(jù)轉(zhuǎn)移到MongoDB中，在此之前需要利用MongoDB Driver 進(jìn)行MongoDB數(shù)據(jù)庫(kù)的連接，其實(shí)現(xiàn)方式為：

string connString = "mongodb://127.0.0.1:27017";

MongoServer server = MongoServer.Create(connString);

MongoDatabase mydb = server.GetDatabase("mydb");

MongoCollection test = mydb.GetCollection("test");

3.3基于MapReduce的大數(shù)據(jù)分析

MongoDB作為NoSQL大數(shù)據(jù)庫(kù)的一種，其除了可以實(shí)現(xiàn)海量歷史數(shù)據(jù)存儲(chǔ)以外，還提供了多種靈活和強(qiáng)大的數(shù)據(jù)聚合工具，其中就包括MapReduce。圖5所示為MapReduce在MongoDB數(shù)據(jù)庫(kù)中的操作流程。

圖5　MapReduce的處理流程圖

為了更清楚地了解MapReduce編程模型的強(qiáng)大之處，本文結(jié)合智能制造廠生產(chǎn)現(xiàn)場(chǎng)的監(jiān)測(cè)數(shù)據(jù)，利用MapReduce，通過設(shè)備在10天內(nèi)的開關(guān)機(jī)狀態(tài)計(jì)算出設(shè)備的生產(chǎn)效率值，從而幫助企業(yè)更加合理地調(diào)度生產(chǎn)資源實(shí)現(xiàn)資源的最大化利用。圖6所示為處理流程圖。

圖6　MapReduce計(jì)算設(shè)備生產(chǎn)效率處理流程圖

4　結(jié)論

本文針對(duì)在工業(yè)4.0環(huán)境下生產(chǎn)過程中產(chǎn)生的大量數(shù)據(jù)，提出一種基于傳統(tǒng)數(shù)據(jù)庫(kù)多表架構(gòu)和NoSQL大數(shù)據(jù)結(jié)合的新型存儲(chǔ)策略，不僅完成了生產(chǎn)數(shù)據(jù)的實(shí)時(shí)存儲(chǔ)與實(shí)時(shí)訪問，而且利用數(shù)據(jù)轉(zhuǎn)移技術(shù)將歷史數(shù)據(jù)轉(zhuǎn)移至NoSQL大數(shù)據(jù)庫(kù)，解決了海量歷史數(shù)據(jù)的存儲(chǔ)問題，同時(shí)通過大數(shù)據(jù)分析技術(shù)實(shí)現(xiàn)對(duì)歷史數(shù)據(jù)的有效分析。最后通過某智能制造廠生產(chǎn)現(xiàn)場(chǎng)的監(jiān)測(cè)數(shù)據(jù)，驗(yàn)證了本文提出方法的正確性和有效性。

[1] 程曉蕾. 工業(yè)4.0架構(gòu)下的工業(yè)大數(shù)據(jù)的需求、環(huán)境及服務(wù)化[J].赤峰學(xué)院學(xué)報(bào), 2015,31(4):14-15.

[2] 沈雁, 戴瑜興, 湯睿. 基于嵌入式數(shù)據(jù)庫(kù)的分布式大壩監(jiān)測(cè)數(shù)據(jù)匯聚器設(shè)計(jì)[J].電子技術(shù)應(yīng)用, 2011,37(5):39-41.

[3] FAZIO M, CELESTI A, PULIAFITO A, et al. Big data storage in the cloud for smart environment monitoring[J]. Procedia Computer Science, 2015(5):500-506.

[4] 潘洪志. 高性能NoSQL存儲(chǔ)系統(tǒng)的研究與實(shí)現(xiàn)[D].長(zhǎng)春: 吉林大學(xué), 2014.

[5] 丌文娟. 對(duì)SQL Server存儲(chǔ)過程的研究與應(yīng)用[J].廊坊師范學(xué)院學(xué)報(bào), 2010,10(6):34-37.

[6] 謝桂蘭, 羅省賢. 基于Hadoop MapReduce模型的應(yīng)用研究[J].微型機(jī)與應(yīng)用, 2010，29(8):4-7.

[7] MAITREY S, JHA C K. MapReduce: simplified data analysis of big data[J]. Procedia Computer Science, 2015(7):563-571.

[8] 呂林. 基于MongoDB的應(yīng)用平臺(tái)的研究與實(shí)現(xiàn)[D]. 北京:北京郵電大學(xué), 2015.

Research on data storage strategy for Industry 4.0 using multi-table schema and NoSQL big data technique

Wen Bangbang1,2，Zeng Xianhui1,2

(1.College of Information Science and Technology, Donghua University, Shanghai 201620, China;2.Engineering Research Center of Digitized Textile &Apparel Technology, Ministry of Education, Shanghai 201620, China)

In Industry 4.0 environment, the monitoring data of production site needs to be real-timely displayed and analyzed, and also needs to be saved as a historical record. In the face of massive production data, the existing database technology is difficult to meet the requirements. This paper proposes a new data storage solution based on the combination of traditional database multi-table schema and NoSQL large database. It can not only implement the distributed storage of real-time data based on the traditional database multi-table schema, but also migrate the historical data to the NoSQL large database to solve the problem of massive data storage under Industry 4.0. Finally, through a practical application of an enterprise based on SQL Server and MongoDB, the validity and effectiveness of this method is verified.

multi-table schema; NoSQL large database; data migration; MapReduce analysis

TP392

ADOI： 10.19358/j.issn.1674- 7720.2016.18.001

2016-03-29)

文棒棒(1992-)，通信作者，男，碩士研究生，主要研究方向：數(shù)據(jù)庫(kù)應(yīng)用技術(shù)、大數(shù)據(jù)分析。E-mail：1043967181@qq.com。

曾獻(xiàn)輝(1974-)，男，博士，副教授，主要研究方向:大數(shù)據(jù)挖掘、智能優(yōu)化問題、決策與分析。