摘要：本文針對如何處理和利用海量數(shù)據(jù)這一問題，依托以大數(shù)據(jù)為主的現(xiàn)代技術(shù)，提出搭建具有高度自動化、智能化的檔案大數(shù)據(jù)系統(tǒng)，對海量的數(shù)據(jù)資源進行有效的處理。

關(guān)鍵詞：檔案大數(shù)據(jù)檔案資源檔案管理

大數(shù)據(jù)技術(shù)對信息時代產(chǎn)生的海量數(shù)據(jù)能夠做到有效處理和存儲，這一特質(zhì)使擴展和統(tǒng)一管理檔案資源成為可能。隨著檔案資源的擴展和管理，檔案資源的有效利用也必將得到大幅度提升。在這種情況下，建構(gòu)檔案大數(shù)據(jù)系統(tǒng)成為必然要求。在建構(gòu)檔案大數(shù)據(jù)系統(tǒng)的過程中，數(shù)據(jù)結(jié)構(gòu)的科學性、數(shù)據(jù)的價值密度、共享性和可操作性等諸多因素，是影響檔案大數(shù)據(jù)系統(tǒng)運營效率、安全服務模式和內(nèi)容變更、提升服務能力的重要因素。特別是如何搭建高智能的基礎設施框架和采取科學、合理的方法，對價值密度低、分散、無序、海量的數(shù)據(jù)資源進行有效采集、清洗、轉(zhuǎn)換和整合，使其結(jié)構(gòu)合理、價值密度高、易于管理和應用，是檔案界需要該認真思考的重要課題。

一、信息時代檔案大數(shù)據(jù)系統(tǒng)的提出

維克托·舍恩伯格在《大數(shù)據(jù)時代》中寫道：“半個世紀以來，隨著計算機技術(shù)、網(wǎng)絡技術(shù)融入社會生活，信息爆炸已經(jīng)成為事實。大數(shù)據(jù)時代的許多學科都會發(fā)生巨大甚至是本質(zhì)上的變化和發(fā)展，必將成為新發(fā)明和新服務的源泉?！盵1]隨著檔案數(shù)字化、信息化進程的加速，社會需求的種類、數(shù)量和質(zhì)量影響著檔案數(shù)據(jù)的同步急速提升，檔案大數(shù)據(jù)成為當今檔案界普遍關(guān)注的熱點問題。筆者參考相關(guān)文獻，認為檔案大數(shù)據(jù)是指檔案數(shù)據(jù)量巨大到現(xiàn)有軟件工具無法在有效時間內(nèi)實現(xiàn)采集、整合和管理的檔案數(shù)據(jù)的集合，它區(qū)別于傳統(tǒng)檔案數(shù)據(jù)，是傳統(tǒng)檔案數(shù)據(jù)的海量擴展和補充。

目前，檔案信息化管理中檔案數(shù)據(jù)基本基于單機管理，無論是結(jié)構(gòu)化數(shù)據(jù)還是非結(jié)構(gòu)化數(shù)據(jù)基本上比較零亂、不便管理、不能實現(xiàn)數(shù)據(jù)共享。加上檔案數(shù)據(jù)量呈幾何級增長，原有的檔案數(shù)據(jù)系統(tǒng)已經(jīng)很難適應時代發(fā)展的要求。為了解決上述問題，筆者嘗試依托互聯(lián)網(wǎng)、基于數(shù)據(jù)庫、以Hadoop為框架建構(gòu)檔案大數(shù)據(jù)系統(tǒng)。檔案大數(shù)據(jù)系統(tǒng)強調(diào)智能化理念、決策理念、管理理念及服務理念的先進性，具備前瞻性和創(chuàng)新性特質(zhì)。它通過系統(tǒng)的人工智能特征及決策支持系統(tǒng)的應用功能，實現(xiàn)檔案大數(shù)據(jù)的有效利用，從而實現(xiàn)檔案服務功能的最大化，達到業(yè)務價值增值的目的。具體而言，檔案大數(shù)據(jù)系統(tǒng)是研究如何基于大數(shù)據(jù)的數(shù)據(jù)分析和數(shù)據(jù)挖掘技術(shù)，從海量數(shù)據(jù)中發(fā)掘出有價值的信息，滿足不同檔案用戶的信息需求，將檔案信息資源轉(zhuǎn)化為知識資源，實現(xiàn)電子文件的鑒定、非結(jié)構(gòu)化電子文件的處理，提升檔案數(shù)據(jù)存儲與備份的數(shù)量與質(zhì)量，有效管理、組織和利用檔案資源。

二、信息時代檔案大數(shù)據(jù)系統(tǒng)的建構(gòu)

從檔案的收集、管理、利用來看：在傳統(tǒng)管理方式下，“收”是各部門移交；“管”是手工管理，手工查詢；“用”是提供被動地查閱服務。在信息時代，“收”是將數(shù)據(jù)實時、自動歸集；“管”是采用云平臺存儲、計算、分析；“用”則是分析、發(fā)現(xiàn)與預測，為社會、企業(yè)創(chuàng)造價值。[2]

根據(jù)我國檔案信息化建設多年積累的經(jīng)驗，針對系統(tǒng)建設的自動化、智能化目標，依據(jù)計算機數(shù)據(jù)管理規(guī)則要求，筆者主要采用了垂直+水平的分布式檔案數(shù)據(jù)庫模型，從檔案數(shù)據(jù)的采集、整合、過濾、管理四個層面對檔案大數(shù)據(jù)系統(tǒng)進行建構(gòu)。如圖1所示。

（一）檔案數(shù)據(jù)的采集

傳統(tǒng)的紙質(zhì)檔案管理所采集的信息不準確、圖像的清晰度及可識別性不高。而檔案大數(shù)據(jù)系統(tǒng)平臺的數(shù)據(jù)表現(xiàn)形式多樣化，如網(wǎng)頁、圖像、音頻視頻、文檔等。為了獲得高質(zhì)量的檔案數(shù)據(jù)信息，不僅可以通過內(nèi)網(wǎng)獲取現(xiàn)有局域網(wǎng)中的元數(shù)據(jù)、中心數(shù)據(jù)、引用數(shù)據(jù)、運行數(shù)據(jù)、用戶數(shù)據(jù)、服務數(shù)據(jù)等結(jié)構(gòu)化數(shù)據(jù)，而且也可以通過外網(wǎng)、RFID射頻、B/S移動輸入等多種方式實現(xiàn)用戶反饋、監(jiān)視器采集、遠程應用系統(tǒng)數(shù)據(jù)等非結(jié)構(gòu)化數(shù)據(jù)的獲取，并對這些數(shù)據(jù)進行采集、變更和處理。其中，通過影像識別技術(shù)獲取的動態(tài)數(shù)據(jù)以及通過掃描、攝影等方式收入電腦的紙質(zhì)文檔，都是由非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)的事例。采取這種方式的優(yōu)勢在于便于管理者查詢原始數(shù)據(jù)和利于數(shù)據(jù)分享、數(shù)據(jù)檢索、數(shù)據(jù)分析、數(shù)據(jù)展現(xiàn)。

（二）檔案數(shù)據(jù)的整合

檔案大數(shù)據(jù)系統(tǒng)平臺的檔案數(shù)據(jù)整合是對上傳檔案數(shù)據(jù)進行質(zhì)量分析和治理，并對信息的生命周期進行管理。也就是說，在進行數(shù)據(jù)整合的過程中，主要采用了數(shù)據(jù)接入技術(shù)（包括廣域網(wǎng)、局域網(wǎng)、個人網(wǎng)等），將數(shù)據(jù)采集層（下層）已處理過的數(shù)據(jù)安全、穩(wěn)定、快速地輸送到上層（即數(shù)據(jù)過濾層），并通過數(shù)據(jù)交互功能模塊形成檔案大數(shù)據(jù)源共享系統(tǒng)，并使其具備“智能交互”功能。

一般而言，檔案數(shù)據(jù)整合包括控制系統(tǒng)、運行引擎、基礎平臺管理三個方面。主要通過聚類和相似性分析等手段，對檔案數(shù)據(jù)間的有機聯(lián)系進行分析和整合。其中，整合控制系統(tǒng)指的是通過調(diào)度、轉(zhuǎn)換、功能等手段，對檔案數(shù)據(jù)進行索引和協(xié)同搜索，在前期信息整合前提下進一步實現(xiàn)上下協(xié)同洞察。整合運行引擎指的是對數(shù)據(jù)對象、數(shù)據(jù)訪問、工作流的引擎和任務引擎的整合，它是一個分布式的基礎架構(gòu)。一個分布式文件系統(tǒng)的實現(xiàn)，能夠做到經(jīng)濟高效地分析PB級的結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)、信息?；A平臺管理整合包括日志管理、數(shù)據(jù)訪問及訪問策略、信息通知、異常處理、緩存管理，它主要是按照預定規(guī)則對檔案數(shù)據(jù)進行存儲，并隨之進行數(shù)據(jù)庫內(nèi)的科學分析。

（三）檔案數(shù)據(jù)的過濾

為避免海量數(shù)據(jù)傳輸中出現(xiàn)擁擠、堵塞及不必要占用空間等現(xiàn)象的發(fā)生，檔案數(shù)據(jù)過濾主要是按照規(guī)定的數(shù)據(jù)清洗與過濾規(guī)則，對已采集的大數(shù)據(jù)源（先期采集和整合過的數(shù)據(jù)）進行可用性檢查及質(zhì)量分析、對數(shù)據(jù)進行過濾與清洗，以保證數(shù)據(jù)整合時的價值密度和可操作性。

檔案大數(shù)據(jù)過濾服務是一種快速、完全托管的TB/PB級數(shù)據(jù)倉庫解決方案，由方法庫、知識庫和模型庫共同組成。它向用戶提供完善的數(shù)據(jù)導入以及多種經(jīng)典的分布式計算模型，能夠更快速地解決用戶海量數(shù)據(jù)過濾問題?；谠朴嬎愕姆植际较到y(tǒng)具有足夠的數(shù)據(jù)存儲和傳輸能力，它的數(shù)據(jù)清洗、數(shù)據(jù)過濾和外部數(shù)據(jù)存儲功能，能夠?qū)崿F(xiàn)檔案大數(shù)據(jù)的智能交互，搭建檔案大數(shù)據(jù)的過濾層，并保障數(shù)據(jù)的安全。

（四）檔案數(shù)據(jù)的管理

管理層面指的是使用和維護系統(tǒng)的接口。管理員通過該層面實現(xiàn)系統(tǒng)的管理、控制、應用和維護，是數(shù)據(jù)服務的指揮中心。管理層有兩個核心功能，一是將加工和過濾后的數(shù)據(jù)進行可視化處理；二是建立多種應用模塊，提供智能服務。也就是說，利用可視化和圖像處理技術(shù)輸出需要分析和預測的數(shù)據(jù)結(jié)果，并通過大數(shù)據(jù)技術(shù)的匹配機制為用戶提供智能化應用。該系統(tǒng)中檔案數(shù)據(jù)的管理層面，是通過多維分析、數(shù)據(jù)挖掘和各種查詢?nèi)齻€工具實現(xiàn)人機交互界面的。通過對人機交互、操作邏輯、界面美觀的整體設計，實現(xiàn)登錄與認證、數(shù)據(jù)存儲、數(shù)據(jù)操作、數(shù)據(jù)查詢、基本參數(shù)設計等功能。需要注意的是，不管采用何種技術(shù)，關(guān)鍵是應用。應用需要的數(shù)據(jù)才是有價值的數(shù)據(jù)，只有生成多模式、多樣性的應用數(shù)據(jù)，檔案大數(shù)據(jù)的價值才能得以充分體現(xiàn)。

*本文為黑龍江省高校本科科研業(yè)務費黑龍江大學專項資金“智慧城市背景下檔案信息資源規(guī)劃研究”（項目編號：HDJDZ201613）的階段性研究成果；2017年黑龍江大學校級研究生創(chuàng)新科研項目“智慧城市建設中的檔案服務工作研究”（項目編號：YJSCX2017-108HLJU）的階段性成果。

注釋及參考文獻：

[1]維克托·舍恩伯格.大數(shù)據(jù)時代[M].杭州：浙江人民出版社，2015：8.

[2]蘭祝剛，劉在國.大數(shù)據(jù)時代檔案管理帶來的挑戰(zhàn)與機遇[N].中國檔案報，2013-11-29（2）.

[3]席暢.大數(shù)據(jù)環(huán)境下未來檔案館建設的新構(gòu)想[J].云南檔案，2017（1）：55-57.endprint