领域科学数据云资源聚合模型

合集下载

我国高校科学数据开放共享成熟度模型及评价标准构建

*本文系国家社科基金项目“数字时代的开放科学政策、实施路径与评价研究”（项目编号：22ATQ005）研究成果。

我国高校科学数据开放共享成熟度模型及评价标准构建*盛小平，焦凤枝，欧阳娟摘要建构高校科学数据开放共享成熟度模型对全面评价和推进我国高校科学数据开放共享实践具有重要意义。

文章以开放数据成熟度模型的标准和相关理论研究为基础，依据成熟度模型和我国高校科学数据开放共享实践，构建包括能力维度、活动维度与等级维度的我国高校科学数据开放共享成熟度模型架构，并以活动维度为切入点，结合能力和等级两个维度，设计我国高校科学数据开放共享成熟度模型评价标准，为我国高校科学数据开放共享评价提供理论性分析框架。

关键词科学数据开放共享成熟度模型评价标准高校引用本文格式盛小平，焦凤枝，欧阳娟.我国高校科学数据开放共享成熟度模型及评价标准构建[J].图书馆论坛，2023，43（12）：122-130.Construction of a Maturity Model and Evaluation Standards for the Open Sharing of Scientific Data in Chinese Colleges and UniversitiesSHENG Xiaoping ，JIAO Fengzhi &OUYANG JuanAbstractIt is of great significance to construct a maturity model for the open sharing of scientific data in Chinesecolleges and universities.Based on current evaluation standards for and related theoretical researches on open datamaturity models ，and according to the open sharing practice of scientific data in Chinese colleges and universities ，this paper constructs a maturity model for the open sharing of scientific data in Chinese colleges and universities ，in which there are a set of dimensions like the capability dimension ，the activity dimension and the level dimension.Then ，taking the activity dimension as the starting point and combining the capability dimension and the level dimension together ，it designs some evaluation standards ，aiming to provide a theoretical analysisframework for evaluating the open sharing of scientific data in Chinese colleges and universities ，though it needs to be further validated and improved through empirical researches in the future.Keywords scientific data ；open sharing ；maturity model ；evaluation standard ；colleges and universities0引言在开放科学时代，开放共享科学数据已成为促进科学研究和创新发展的关键举措。

面向科学研究第四范式的云服务框架模型

面向科学研究第四范式的云服务框架模型随着科学研究的不断发展，数据量和计算复杂度越来越高，需要越来越多的计算资源和技术支持。

而云服务框架模型可以为科学研究提供高效、可扩展、安全和可靠的计算基础设施和服务。

面向科学研究的第四范式云服务框架模型，通过集成现有的云计算和数据科学技术，为科学研究提供了全新的数据处理和分析方法。

该模型将云计算、大数据存储和处理、机器学习、人工智能等技术融合在一起，实现了高效的数据管理和分析，进而实现了科学研究的快速推进。

这种云服务框架模型可以分为三个层次：
第一层是云计算基础设施层，提供计算、存储和网络服务等基础设施。

第二层是数据管理和处理层，提供数据采集、存储、处理和管理等服务。

第三层是数据分析和应用层，提供数据分析、机器学习、人工智能等高级分析服务，以及面向科学研究的应用程序。

这种云服务框架模型可以支持各种科学研究领域，如天文学、生物学、物理学、地球科学等，并且可以满足不同的用户需求，如数据共享、协作研究、在线分析等。

总之，面向科学研究的第四范式云服务框架模型为科学研究提供了高效、可靠和安全的计算基础设施和服务，加速了科学研究的进展，同时也为云计算和数据科学技术的发展提供了新的应用场景。

GeoScene 4.0,“一核六翼”助力数智化创新转型

GeoScene4.0：“一核六翼”助力数智化创新转型持续迭代发展中的GeoScene 平台GeoScene 2.0GeoScene 2.1GeoScene 3.1GeoScene 4.02020.10 重磅推出GeoScene 自主品牌，基于国际领先技术，功能全面、稳定、强大2021.4全新推出三维数据治理、GeoFlus 、GA Plus 等产品和模块2022.6全新推出云原生产品、知识图谱产品，实现技术架构、三维、大数据、智能化等重大升级2023.10 一核六翼产品体系三维影像应用构建大数据人工智能知识图谱SW以用户为本，精琢内核，升级六大能力引擎，助力业务数智化转型核心产品体系分布式多云融合架构资源汇聚、共享与开放自动化与智能化安全可控用户体验与人文关怀质量可靠GeoScene 4.0，分布式多云融合架构，系统运行更稳健GeoScene Enterprise on Kubernetes 4.0公有云平台GeoScene Online私有云平台GeoScene Enterprise跨云协作跨组织共享单体架构微服务内容管理地图故事极思课堂智能弹性伸缩（CPU & 内存）发布支持同步模式的web 工具支持K8s 的autoscaling/v2离线部署平台软件（云原生版）4.0，功能及体验持续增强GeoScene 4.0，全要素时空数据的汇聚、整合与共享动态视频影像高分1/2/4号吉林1号矢量与表GeoScene Enterprise 基础部署公共设施网络栅格网络数据集Landsat……哨兵2资源1号02C/资源3号环境1号天绘1号三维合成孔径雷达哨兵1多维栅格网络服务公共设施网络服务影像服务三维服务地图服务矢量切片服务流服务物联网实时BIM三维对象点云（.las 、.lasd 、.zlas ）场景图层包（.slpk ）地形倾斜摄影Shapefile 、GDB 文本表（.csv 、.txt ）切片包（.tpk 、.tpkx ）矢量切片包（.vtpk ）科学数据NetCDF 实时流GPS 数据网络设施地名地址地名地址地理编码服务REST 规范OGC Web 服务标准OGC API 系列标准可选Image ServerGeoEvent Server Utility Network Geocoding Server标准化治理异常上报GeoScene 4.0，传统GIS 能力向自动化智能化升级强强强数据智能化处理数据管理更便捷智能制图高级分析数据管理更便捷-Portal 中注册大数据共享文件-更便捷的图层发布创建体验-发布矢量切片图层，同步发布关联的要素图层智能制图及可视化-数据驱动，智能匹配模板-新增流式渲染-新增约20种所见即所得的制图效果及模板流式渲染，动画方式展示矢量U-V 数据，适用于风场、洋流、海水漂浮数据等大数据可视化建模与开箱即用的业务模型GeoAI 智能解译-AutoML 自动机器学习-端到端的深度学习工作流数据工程地理编码产品增加在线地址治理-在线异常分类、地址补全纠错数据工程：清洗、构造、整合、格式转换基于深度学习的在线地址治理GeoScene 4.0，从机制到技术保障平台安全性Web GIS−Enterprise 实施使用HTTPS 加密并保护传输数据−禁止开放Server Manager 、Server Admin 、Portal Admin 界面−禁用Server 服务目录和Portal 目录−禁用服务查询操作，减少潜在攻击面−不允许公共用户访问企业数据库，减轻潜在SQL 注入攻击−启用标准化SQL 查询防御SQL 注入攻击−限制跨域请求，设置域白名单桌面端−实施最小权限和基于角色的数据库访问控制−使用HTTPS 对所有出入站通信加密传输的数据……丰富的安全配置选项和功能防火墙过滤器安全更新…身份验证权限控制…日志审计加密•身份存储-内置的用户存储-企业身份存储，如活动目录或LDAP•Token 身份验证•Web 层身份验证•SAML 验证•防火墙•反向代理•SSL/TLS-新增支持国密算法•透明数据加密•系统运行日志•安全补丁包•遵循安全开发习近平总书记：“无障碍设施建设问题，是一个国家和社会文明的标志，我们要高度重视”“利用财政资金建立的互联网网站、服务平台、移动互联网应用程序，应当逐步符合无障碍网站设计标准和国家信息无障碍标准……“《无障碍环境建设法》第三十二条全球慢性疾病人群逐年增加增加，身心障碍人群比例也在不断上升。

数据科学解读大数据对自然资源的利用

数据科学解读大数据对自然资源的利用在当今信息爆炸的时代，大数据已经成为了各个领域不可忽视的一部分。

其中，数据科学作为一门新兴学科，通过分析和解读大数据，为我们提供了更深入的理解和应用。

在此背景下，本文将通过数据科学的角度，来解读大数据对自然资源的利用。

一、大数据驱动的自然资源管理自然资源作为人类生存和发展所必需的重要因素，其合理利用和管理尤为重要。

而大数据的出现为自然资源管理带来了新的思路和方法。

1. 数据集成与分析大数据技术能够将各种类型和来源的数据进行集成，使得我们可以获取更全面和准确的信息。

通过对这些数据进行深入分析，可以更好地了解自然资源的分布、变化以及可能的趋势。

这为制定科学合理的自然资源规划和管理措施提供了重要依据。

2. 模型建立与预测基于大数据的分析结果，我们可以建立相应的模型，从而对自然资源的利用和变化进行预测。

例如，通过分析大规模的气象数据，可以建立天气预测模型，帮助合理安排农作物的种植和收获时机，减少资源的浪费和损失。

3. 决策支持与优化利用大数据分析结果，可以为自然资源管理者提供有效的决策支持。

通过深入了解自然资源的状况和需求，可以制定出科学合理的政策和措施，实现资源的最优配置和利用。

同时，大数据还能帮助评估决策的效果和可能的风险，助力决策的优化和调整。

二、大数据在不同领域的应用案例除了自然资源管理，大数据在其他领域也有广泛的应用，进一步促进了自然资源的利用。

1. 农业领域大数据技术在农业领域的应用已经逐渐成熟。

通过对农作物的生长环境、土壤质量、气象数据等进行大规模的数据采集和分析，可以为农民提供精准的种植指导和农作物管理方案，优化农业生产效益，减少资源的浪费。

同时，大数据还可以帮助农业企业进行市场预测和产品推广，提高农产品的竞争力和市场占有率。

2. 能源领域大数据技术在能源领域的应用也具有重要意义。

通过对能源消耗和产量等数据进行分析，可以优化能源的分配和利用方式，提高能源利用效率，减少能源浪费。

科学数据管理中的元数据标准与模型研究

科学数据管理中的元数据标准与模型研究随着科技的不断发展，科学数据的收集和管理已经成为现代科学研究的重要组成部分。

而如何对这些海量的数据进行高效、可靠和标准化的管理，已经成为科研工作者共同面临的一个难题。

在科学数据管理中，元数据标准与模型研究显得尤为重要。

元数据是对数据的描述信息，包括数据的来源、格式、内容、结构、质量等，是科学数据管理的基础。

元数据标准和模型则是对元数据进行描述和归纳的框架和规范。

本文将从以下三个方面来探讨科学数据管理中元数据标准与模型的研究。

一、元数据标准的研究元数据标准是对元数据描述和归纳的规范。

目前，国际上通行的元数据标准有很多，例如Dublin Core、FGDC等。

这些标准主要是针对某一特定领域或者数据类型而制定的。

因此，在实际应用中，需要对不同领域和数据类型的元数据进行分类、整合和标准化。

在生物医学领域，元数据标准的研究已经相对较为成熟。

例如，BioSharing是一个国际性的生物医学元数据标准共享平台，可以对不同类型的生物医学数据集进行元数据的描述和归纳。

同时，也有一些国内的生物医学元数据标准的研究，例如CMB-Metadata和DAMA-AP。

在其他领域，元数据标准的研究也在不断深入。

例如，气象学领域的气象元数据标准、地理信息领域的GIS元数据标准等。

这些元数据标准的研究和应用，将有助于不同领域数据的互操作和共享。

二、元数据模型的研究元数据模型是将元数据按照某种规律进行归纳和描述的框架。

目前，常见的元数据模型有EML、ISO、DCMI等。

这些模型一般以数据集为单位进行描述，包括数据资源（Data Entity）、数据特征（Data Attribute）、空间参考（Spatial Reference）等。

在元数据模型的研究过程中，需要考虑到元数据的继承、引用、关联等问题。

同时，对元数据进行分类、整合和拓展也是元数据模型研究的重要课题之一。

三、元数据标准和模型的应用元数据标准和模型的研究，能够为科学数据管理提供重要的支持。

数据科学与工程在人工智能领域的应用研究

数据科学与工程在人工智能领域的应用研究在当今科技飞速发展的时代，人工智能已经成为了引领创新和变革的关键力量。

而在人工智能的背后，数据科学与工程发挥着至关重要的作用。

它们不仅为人工智能的发展提供了坚实的基础，还为其应用的拓展和深化注入了源源不断的动力。

数据科学，简单来说，是一门研究如何从数据中获取知识和洞察的学科。

它涵盖了数据的收集、整理、分析和解释等多个环节。

而工程则侧重于将这些理论和方法转化为实际可操作的系统和解决方案。

当数据科学与工程相结合，并应用于人工智能领域时，便产生了一系列令人瞩目的成果和应用。

在图像识别和计算机视觉方面，数据科学与工程的作用不可或缺。

我们每天使用的人脸识别解锁手机、自动驾驶汽车识别道路和交通标志等，都依赖于大量的数据采集和处理。

首先，通过摄像头等设备收集到海量的图像数据，然后运用数据科学的方法对这些数据进行清洗、标注和预处理，以去除噪声和无效信息，并为后续的分析做好准备。

接下来，利用深度学习算法，如卷积神经网络（CNN），对处理后的图像数据进行训练。

在这个过程中，工程方面的技术确保了算法的高效运行和模型的优化，例如通过调整网络结构、选择合适的硬件加速设备等，提高训练和推理的速度。

最终，训练好的模型能够准确地识别和理解图像中的内容，为各种实际应用提供支持。

自然语言处理也是数据科学与工程在人工智能领域的一个重要应用方向。

从智能语音助手能够理解我们的指令并给出准确的回答，到机器翻译能够帮助我们跨越语言障碍，背后都离不开数据和技术的支撑。

在自然语言处理中，首先需要构建大规模的语料库，包含各种语言的文本数据。

然后，利用数据科学的技术对这些文本进行分词、词性标注、命名实体识别等处理，以便计算机能够更好地理解和分析语言的结构和语义。

在模型训练方面，循环神经网络（RNN）、长短时记忆网络（LSTM）以及 Transformer 架构等被广泛应用。

通过对大量标注好的语料进行学习，模型逐渐掌握语言的规则和语义表示。

数据模型与决策管理科学篇原书第十二版教学设计

数据模型与决策管理科学篇原书第十二版教学设计教学目标：1. 了解数据模型在决策管理科学中的重要性和应用2. 掌握数据模型的基本概念和构建方法3. 学会运用数据模型解决实际问题4. 培养学生的分析和决策能力教学内容：1. 数据模型概述1.1 数据模型的定义和基本特点1.2 数据模型的分类和应用领域1.3 数据模型与决策管理科学的关系2. 数据模型的构建方法2.1 手工建模方法2.2 计算机辅助建模方法2.3 数据模型的验证和优化3. 数据模型在决策管理科学中的应用3.1 常用的数学规划模型3.2 数据挖掘与预测模型3.3 供应链管理模型3.4 风险评估与优化模型3.5 实例分析与案例讨论教学步骤：一、导入与概述（15分钟）1. 引入数据模型概念，探讨数据模型在决策管理科学中的重要性。

2. 分析数据模型的分类和应用领域，激发学生对数据模型的兴趣和认识。

二、数据模型的构建方法（30分钟）1. 介绍手工建模方法，包括数学规划、统计分析等方法，强调模型构建的基本步骤和技巧。

2. 讲解计算机辅助建模方法，介绍常用的建模软件和工具，演示如何使用工具构建数据模型。

3. 强调数据模型的验证和优化，引导学生注意模型的合理性和有效性。

三、数据模型在决策管理科学中的应用（60分钟）1. 详细介绍常用的数学规划模型，如线性规划、整数规划、多目标规划等，通过案例讲解模型的具体应用方法。

2. 探讨数据挖掘与预测模型的原理和应用，如决策树、神经网络等，通过实例分析模型的实际运用。

3. 分析供应链管理模型的基本原理和方法，包括库存控制、物流调度等方面的模型建立和优化。

4. 引入风险评估与优化模型，讲解风险管理的基本概念和方法，通过案例研究模型在风险处理中的应用。

5. 结合实例分析与案例讨论，培养学生的分析和决策能力，让学生运用数据模型解决实际问题。

四、教学总结与拓展（15分钟）1. 对整堂课进行总结，强调数据模型在决策管理科学中的重要性和应用。

《数据科学与大数据通识导论》题库及答案-2019年温州市工程技术系列专业技术人员继续教育

1.数据科学的三大支柱与五大要素是什么？答：数据科学的三大主要支柱为：Datalogy (数据学)：对应数据管理 (Data management)Analytics (分析学)：对应统计方法 (Statistical method)Algorithmics (算法学)：对应算法方法 (Algorithmic method)数据科学的五大要素：A-SATA模型分析思维 (Analytical Thinking)统计模型 (Statistical Model)算法计算 (Algorithmic Computing)数据技术 (Data Technology)综合应用 (Application)2.如何辨证看待“大数据”中的“大”和“数据”的关系？字面理解Large、vast和big都可以用于形容大小Big更强调的是相对大小的大，是抽象意义上的大大数据是抽象的大，是思维方式上的转变量变带来质变，思维方式，方法论都应该和以往不同计算机并不能很好解决人工智能中的诸多问题，利用大数据突破性解决了，其核心问题变成了数据问题。

3.怎么理解科学的范式？今天如何利用这些科学范式？科学的范式指的是常规科学所赖以运作的理论基础和实践规范，是从事某一科学的科学家群体所共同遵从的世界观和行为方式。

第一范式：经验科学第二范式：理论科学第三范式：计算科学第四范式：数据密集型科学今天，是数据科学，统一于理论、实验和模拟4.从人类整个文明的尺度上看，IT和DT对人类的发展有些什么样的影响和冲击？以控制为出发点的IT时代正在走向激活生产力为目的的DT（Data Technology）数据时代。

大数据驱动的DT时代由数据驱动的世界观大数据重新定义商业新模式大数据重新定义研发新路径大数据重新定义企业新思维5.大数据时代的思维方式有哪些？“大数据时代”和“智能时代”告诉我们：数据思维：讲故事→数据说话总体思维：样本数据→全局数据容错思维：精确性→混杂性、不确定性相关思维：因果关系→相关关系智能思维：人→人机协同（人 + 人工智能）6.请列举出六大典型思维方式；直线思维、逆向思维、跳跃思维、归纳思维、并行思维、科学思维7.大数据时代的思维方式有哪些？同58.二进制系统是如何实现的？计算机用0和1来表示和存储所有的数据，它的基数为2，进位规则是“逢二进一”，用1表示开，0表示关9.解释比特、字节和十六进制表示。

构建科学模型

构建科学模型科学模型是一种用来描述和解释现实世界中事物和现象的工具。

它通过采用适当的数学和物理方法，将真实的事物抽象化并进行逻辑推理，从而帮助我们更好地理解和预测自然界的规律。

本文将探讨科学模型的构建方法和应用。

一、科学模型的定义和意义科学模型是对真实世界的简化抽象。

它基于现象的规律和背后的物理原理，通过数学公式、图表、计算机程序等方式进行描述和表达。

科学模型的主要作用有以下几点：1. 揭示规律：科学模型能够帮助我们理解并揭示事物和现象背后的规律，从而推动科学的发展。

2. 预测和控制：通过科学模型的构建和应用，我们可以对事物和现象的发展进行预测，并采取控制措施，以避免潜在的危害。

3. 优化设计：科学模型可以为工程和技术领域的设计提供依据，优化产品的性能和效果。

4. 教学和科普：科学模型可以作为教学和科普工具，帮助人们更好地理解科学概念和原理。

二、科学模型的构建过程构建一个科学模型并不是一项简单的任务，它需要经过以下几个步骤：1. 确定研究目标：首先，需要明确所要研究的对象和目标，明确研究的范围和内容。

2. 收集数据和信息：在构建科学模型之前，我们需要收集相关的数据和信息，了解该领域的最新研究成果，并获取相关实验或观测数据。

3. 建立数学模型：在收集到足够的数据和信息后，将其转化为数学公式或数值关系，建立起数学模型。

4. 验证和调整模型：通过对实验数据的比对和对比，判断模型是否能够准确地描述真实世界的现象。

如果发现模型预测结果与实验结果不符，需要对模型进行调整和修正。

5. 应用和推广：当模型经过验证并达到预期效果后，可以将其应用到实际问题中，并推广到更广阔的领域。

三、科学模型的应用领域科学模型广泛应用于各个领域，以下为一些常见的应用领域：1. 物理学：物理学中的模型常用于解释和预测各种物质和能量之间的相互作用，如运动物体的模拟、电路的分析等。

2. 化学：化学模型用于描述和解释化学反应、化学平衡等过程，为药物研发、化工工艺的优化提供指导。

GM(1,1)模型的适用范围

GM(1,1)模型的适用范围摘要GM(1,1)模型是一种常用的灰色系统数学模型，在许多领域得到了广泛的应用。

本文将介绍GM(1,1)模型的基本原理及其适用范围，并针对不同领域中GM(1,1)模型的具体应用进行详细讨论。

简介灰色系统理论是一种将统计学、数学和信息科学相结合的新兴跨学科领域，其研究的对象是具有不确定性、非完备信息的系统。

GM(1,1)模型是灰色系统理论中最常用的一种数学模型，用于预测和分析时间序列数据。

GM(1,1)模型的原理是基于灰色系统理论的灰色模型建模方法，该方法根据数据序列的变化规律，建立数据的动态变化模型，并通过建立灰色微分方程来进行预测。

GM(1,1)模型主要适用于简单的时间序列数据的预测和分析，具有简单、快速和高效等特点。

GM(1,1)模型的适用范围GM(1,1)模型适用于许多领域，主要包括以下几个方面：经济领域GM(1,1)模型在经济领域中的应用非常广泛，用于进行经济增长预测、市场趋势分析和投资策略制定等。

例如，可以将GM(1,1)模型应用于GDP季度数据的预测和分析，对经济增长趋势进行精确预测，为决策者提供科学依据。

工程领域GM(1,1)模型在工程领域中主要应用于生产和管理技术的改进、质量控制和生产计划制定等。

例如，可以将GM(1,1)模型应用于生产过程中某个指标的预测和分析，帮助工程师优化生产过程，提高生产效率。

自然科学领域GM(1,1)模型在自然科学领域中主要应用于气象、环境、水资源和地震等领域的数据分析和预测。

例如，可以将GM(1,1)模型应用于气象领域的气温预测和降雨量预测，为决策者提供准确的气象数据，为灾害防治提供科学依据。

社会科学领域GM(1,1)模型在社会科学领域中主要应用于人口、教育、医疗和农业等领域的数据分析和预测。

例如，可以将GM(1,1)模型应用于人口结构和教育发展趋势的预测和分析，帮助政府制定科学的人口和教育政策。

GM(1,1)模型的优缺点GM(1,1)模型具有以下优点：1.GM(1,1)模型具有简单、快速和高效等特点；2.GM(1,1)模型可以使用少量的数据进行分析和预测；3.GM(1,1)模型对数据的数量级和分布形态要求不高。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

后，将领域科学数据云资源聚合模型引入到油气井科研数据共享服务平台的开发、部署、运行及监控管理中。实践表
明，领域科学数据云模型是切实可行的，对于推动领域数据集成、共享、管理研究具有重要的参考意义和应用价值。关键词领域科学数据云，数据共享，资源聚合，虚拟化
ｔｙｏｆｔｈｅｄａｔａｃｅｎｔｅｒｂｅｃｏｍｅａｓｅｒｉｏｕｓｃｈａｌｌｅｎｇｅ．Ｒｅｓｅａｒｃｈｅｓｏｎｒｅｓｏｕｒｃｅｉｎｔｅｇｒａｔｉｏｎ，ａｕｔｏｍａｔｉｃｄｅｐｌｏｙｍｅｎｔａｎｄｒｅ－
ｃｏｎｓｔｒｕｃｔｅｄｄｏｍａｉｎ－ｓｐｅｃｉｆｉｃｓｃｉｅｎｔｉｆｉｃｄａａｔｃｌｏｕｄｔｏｃｏｎｎｅｃｔｍｕｌｔｉｐｌｅｄｅｃｅｎｔｒａｌｉｚｅｄａｎｄｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇｄａａｔｃｅｎｔｅｒｉｎｔｏａ
ｅｆｆｉｃｉｅｎｔ．Ａｌｏｎｇｗｉｔｈｔｈｅ１ａｒｇｅｓｃａｌｅａｐｐｌｉｃａｔｉｏｎａｎｄｔｈｅｉｎｃｒｅａｓｅｎｕｍｂｅｒｏｆｔｈｅｕｓｅｒｓ，ｔｈｅｃｏｎｎｅｃｔｉｖｉｔｙ，ｓｔａｂｉｌｉｔｙａｎｄｓａｆｅ－
ｓｏｕｒｃｅｓｃｅｎｔｒａｌｉｚａｔｉｏｎａｎｍａｇｅｍｅｎｔｉｎｄａａｔｃｅｎｔｅｒ，ａｒｅｃｏｎｃｅｒｎｅｄｂｙｔｈｅｃｕｒｒｅｎｔａｃａｄｅｉｃｍｎｄａｂｕｓｉｎｅｓｓｆｉｅｌｄｓ．Ｔｈｉｓｐａｐｅｒ
ＧＥＪｉｎｇ－ｊｕｎ１ ’ ＨＵＣｈａｎｇ－ｊｕｎ１ＬＩＵＸｉｎ１ＬＩＹａｎｇ：ＬＩＵＺｈｅｎ－ｙｕ
（ｃｈｓｏｏｌｏｆＣｏｍｐｕｔｅｒａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＢｅｉｊｉｎｇ，Ｂｅｉｊｉｎｇ１０００８３，Ｃｈｉｎａ）
ＴＰ３１１文献标识码Ａ中图法分类号
ＲｅｓｏｕｒｃｅｓＡｇｇｒｅｇａｔｉｏｎＭｏｄｅｌｔｏｗａｒｄｓＤｏｍａｉｎ－ｓｐｅｃｉｉｃｆＳｃｉｅｎｔｉｆｉｃＤａｔａＣｌｏｕｄ
化管理正在受到当前学术界和企业界的广泛关注。以实现领域数据中心资源聚合、共享以及统一管理为目的，通过构
建领域科学数据云，将多个数据中心连接成一种虚拟的数据网络，以便为领域数据访问、数据集成和数据管理提供环
境和服务支持。着重研究了数据云代理模型、异构源共享模型以及资源消息模型。这些模型对于提高数据中心可扩展性和容错性、降低数据中心资源整合成本以及实现从传统数据中心向云化数据中心过渡起到非常关键的作用。最
（ｃｈＳｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＥｇｉｎｎｅｅｒｉｇ，ｎＮａｎｃｈａｎｇＨａｇｋｎｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｃｈａｎｇ３３００６３，Ｃｈｉｎａ）
ＡｂｓｔｒａｃｔＤａｔａｃｅｎｔｅｒａｓｔｈｅｃｏｒｅｆａｃｉｌｉｔｉｅｓｏｆｔｈｅｓｃｉｅｎｔｉｆｉｃｄａｔａｒｅｓｏｕｒｃｅｓ，ｉｓｂｅｃｏｍｉｎｇｏｖｅｒｌｙｃｏｍｐｌｅｘ，ｅｘｐｅｎｓｉｖｅａｎｄｉｎ－
（北京科技大学计算机与通信工程学院
摘要
北京１０００８３）（南昌航空大学信息工程学院南昌３３００６３）
数据中心作为领域科学数据资源的核心设施，正在变得过于复杂、昂贵和低效。大规模领域应用和用户数量
的增长，给数据中心的连接性、稳定性和安全性带来严峻的挑战。关于数据中心的资源整合、自动部署以及资源集中
第４０卷
第９期
计
算
机
科
学
２Ｓｃｉｅｎｃｅ
Ｖｏ１．４０Ｎｏ．９Ｓｅｐ２０１３
领域科学数据云资源聚合模型
葛敬军胡长军刘歆李扬刘振宇