下载掌阅APP，畅读海量书库
立即打开
按照数据空间体系架构规划的总体原则，并考虑到制造业多价值链协同数据空间体系需求，本书首次规划了包括数据来源层、数据价值链层、数据输入层三个隶属于数据准备模块的层次，数据集成层、数据存储层、数据管理层三个隶属于数据管理模块的层次，知识服务层、数据分析层、应用输出层三个隶属于数据服务模块的层次，共三个模块九个层次的体系架构，此架构将作为奠定数据空间应用于制造业中的理论基础。9个层次的具体内容如图2-8所示，且其逻辑顺序为自下往上逐层递进。下面将对各层做出解释并介绍层次之间的功能和联系。
第1～3层分别为数据来源层、数据价值链层和数据输入层，共同组成了数据准备模块。其中，数据来源层作为架构的基础，对应着图中的最底层。
数据来源层指构成数据空间最初的数据来源，包括该企业及其所有的协作企业所提供的各类数据信息。
数据价值链层指制造企业所拥有的所有价值流组成的价值链，主要包括生产价值链、供应价值链、营销价值链和服务价值链等。
数据输入层指数据的最初表现形式，即企业所提供的RDBMS、邮件、文本、移动通信、图像和WebPage等形式的数据。
第4～6层分别为数据集成层、数据存储层和数据管理层，共同组成了数据管理模块。这三个层次作为原始数据与最终应用之间的桥梁，对于数据的有效贯通有重要作用。
数据集成层是把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中，从而为企业提供全面的数据共享，主要解决数据的分布性和异构性的问题。主要包括数据接入、数据采集、文件采集、数据清洗、数据抽取、数据生成和数据汇聚等处理过程。
数据存储层的意义在于将数据有效的收集和留存，通过对多源异构数据标准化的处理，实现海量数据储存的流程化与可实施化。在数据空间中，数据储存的形式也具有很大的兼容性，包括关系数据库管理系统（relational database management system，RDBMS）、可标记扩展语言（extensible markup language，XML）、文本系统、图像系统、列式数据库及分布式系统等多种储存方式。
大数据给制造业的数字化转型带来了机遇，同时也对数据空间的有效管理和利用提出了挑战。传统关系数据库管理方案的不足之处主要表现为难以满足对数据库高并发性的需求和高效检索海量数据的需求，并且其数据库扩展性差。因此，本书所提出的数据空间体系架构将管理层作为重中之重，不仅引入数据建模、快速索引、关联表示、全链搜索、集成演化、管理引擎、数据安全、数据销毁等技术，更为其单独设立了管理系统模型及管理系统架构，以独立、安全有效的方式对数据空间进行管理。
图2-8 制造业多价值链协同数据空间体系架构
第7～9层分别为知识服务层、数据分析层和应用输出层，共同组成了数据服务模块。其中，应用输出层便是整个架构的最终层，对应图中的最顶层。
知识服务层是制造业创新发展的核心驱动力，基于数据空间的知识服务引擎以大数据思维为导向，以大数据资源为保障，对知识服务的需求进行有效抓取和挖掘，同时在知识服务的方法上进行创新和改进。
在本协同数据空间体系架构中，数据分析层是建立在对知识服务需求准确抓取的基础上，针对制造业所主要关心的产供销问题，提出了多价值链建模、预测模型、生产调度模型、报价模型、库存优化模型、故障预警模型和质量追溯模型等多个智能计算模型。即便如此，在数据空间中如何通过创新性的数据分析方法实现对各类大数据流的高效分析仍是数据分析层面临的重大挑战。
应用输出层是本书所提体系架构中所实现功能与高级辅助决策的具体实施，在经过数据分析后，企业可以及时发现问题并解决，亦能够做出最有效的决策方案，以提高企业效益和效率。图2-8为制造业多价值链协同数据空间体系架构。