基于大數(shù)據(jù)特征的深度計(jì)算評估模型算法設(shè)計(jì)與研究

唐新宇 陳曉明

摘 要：本文重點(diǎn)探討深度計(jì)算評估模型的算法設(shè)計(jì)原理，從模型構(gòu)建與程序開發(fā)兩方面做出研究，結(jié)合大數(shù)據(jù)學(xué)習(xí)特征，探討計(jì)算評估模型建立的主體方向。并以具體算法應(yīng)用為例，對設(shè)計(jì)構(gòu)建內(nèi)容進(jìn)行整理，幫助提升大數(shù)據(jù)環(huán)境下的信息資源更新獲取效率，為深度計(jì)算評估模型算法應(yīng)用提供技術(shù)參照。

關(guān)鍵詞：大數(shù)據(jù)特征學(xué)習(xí)；深度計(jì)算；評估模型

中圖分類號：TP301 文獻(xiàn)標(biāo)識碼：A

文章編號：2096-1472（2018）-07-39-03

1 引言（Introduction）

大數(shù)據(jù)分析環(huán)境下，計(jì)算機(jī)軟件程序所面對的信息處理任務(wù)量較大，數(shù)據(jù)處理面向信息更新所開展，但在一些軟件使用中也需要對歷史參數(shù)進(jìn)行保留，用于接下來的軟件自我檢測維護(hù)。實(shí)現(xiàn)參數(shù)自我保留功能，需要在原有的歷史數(shù)據(jù)模型基礎(chǔ)上，對數(shù)據(jù)進(jìn)行更新計(jì)算，增量性數(shù)據(jù)分析計(jì)算模型是當(dāng)前比較常用的一種方法[1]。應(yīng)用增量深度計(jì)算模型，能夠在原有數(shù)據(jù)庫基礎(chǔ)上自動構(gòu)建出新的數(shù)據(jù)庫，并對內(nèi)部信息進(jìn)行編碼補(bǔ)充，這一系列任務(wù)均在網(wǎng)絡(luò)環(huán)境中自動完成。同時(shí)增量式數(shù)據(jù)處理模型也能夠適應(yīng)大數(shù)據(jù)網(wǎng)絡(luò)環(huán)境下的信息獲取特征，在資源獲取，以及請求對接方面更具有實(shí)效性，更新后的數(shù)據(jù)資源庫，在信息自動獲取方面并不會產(chǎn)生沖突，而是能夠以一種融合的方法共同存在處在應(yīng)用軟件中。當(dāng)程序軟件使用中需要對歷史數(shù)據(jù)與更新后的數(shù)據(jù)進(jìn)行調(diào)動時(shí)，內(nèi)部數(shù)據(jù)庫則會自動做出匹配，將所需數(shù)據(jù)通過傳輸局要發(fā)送至程序控制中心，常規(guī)狀態(tài)下歷史數(shù)據(jù)與更新后的數(shù)據(jù)是相互獨(dú)立保存的，由此可見該用方法具有極強(qiáng)的信息審核時(shí)效性，應(yīng)用在大數(shù)據(jù)分析環(huán)境下對模型自動更新，以及數(shù)據(jù)信息自動檢索都有極大的幫助。

2 大數(shù)據(jù)特征學(xué)習(xí)中的增量式計(jì)算模型基礎(chǔ)構(gòu)建

2.1 增量式計(jì)算評估模型中的參數(shù)更新

大數(shù)據(jù)特征學(xué)習(xí)環(huán)境下開展深度計(jì)算評估模型建立，首先需要對參數(shù)更新部分進(jìn)行設(shè)計(jì)。增量式計(jì)算評估模型中，采用歷史信息保留同時(shí)更新新的數(shù)據(jù)資源模式，在此基礎(chǔ)上所開展的參數(shù)更新部分模型設(shè)計(jì)，需要先對歷史保存功能進(jìn)行構(gòu)建[2]。歷史數(shù)據(jù)與更新數(shù)據(jù)應(yīng)該存儲在兩個獨(dú)立的數(shù)據(jù)庫中，增量式計(jì)算評估模式運(yùn)行中威保障最高計(jì)算速度，數(shù)據(jù)庫劃分結(jié)構(gòu)也要盡可能的簡便，通過這種方法來降低檢索任務(wù)量。自動編碼機(jī)的第一層通過編碼函數(shù)f將輸入層數(shù)據(jù)X映射到隱藏層特征h：

計(jì)算公式中Sf為一個非線性激活函數(shù)，常用的激活函數(shù)為Sigmoid函數(shù)，即f（z）=1/（1+e-z）。第二層通過解碼畫數(shù)將隱藏層特征h映射到網(wǎng)絡(luò)的實(shí)際輸出z：

大數(shù)據(jù)環(huán)境下，信息更新可以自動完成，在網(wǎng)絡(luò)環(huán)境下獲取計(jì)算所需要的參數(shù)資源，通過大數(shù)據(jù)運(yùn)算方法來將其融合到評估模型的結(jié)構(gòu)層次中。大數(shù)據(jù)處理中結(jié)構(gòu)更新如圖1所示。

參數(shù)自動更新可以理解為是一種學(xué)習(xí)能力，為提升深度計(jì)算評估效率，在模型構(gòu)建中采用特征提取的方法來對參數(shù)進(jìn)行更新[3]。在系統(tǒng)結(jié)構(gòu)內(nèi)部會自動整理出所需要更新部分信息的特征，與網(wǎng)絡(luò)環(huán)境下所獲取的數(shù)據(jù)信息進(jìn)行對比，特征保持一致后則會自動更新檢索，這一方法不僅能夠快速定位所需要更新的范圍，也能提升更新后的數(shù)據(jù)精準(zhǔn)度。實(shí)現(xiàn)數(shù)據(jù)更新環(huán)境下的網(wǎng)絡(luò)資源與內(nèi)部數(shù)據(jù)庫之間的高度融合。

2.2 增量式計(jì)算評估模型中的結(jié)構(gòu)更新

結(jié)構(gòu)更新需要在網(wǎng)絡(luò)平臺下自動檢索更新補(bǔ)丁，對原有結(jié)構(gòu)中存在的漏洞進(jìn)行修補(bǔ)，增量式深度計(jì)算評估模式中對于結(jié)構(gòu)的更新，是基于環(huán)境威脅分析基礎(chǔ)上所構(gòu)建的。對應(yīng)用軟件程序所處運(yùn)行環(huán)境中存在的風(fēng)險(xiǎn)做出評估，將風(fēng)險(xiǎn)類型與內(nèi)部結(jié)構(gòu)做出對比，從而判斷出當(dāng)前結(jié)構(gòu)是否能夠滿足大數(shù)據(jù)環(huán)境下的信息更新要求。一旦結(jié)構(gòu)中存在風(fēng)險(xiǎn)隱患，則會作為接下來補(bǔ)丁檢索更新的依據(jù)，通過風(fēng)險(xiǎn)控制來實(shí)現(xiàn)結(jié)構(gòu)構(gòu)建。對于深度計(jì)算模型的每一層而言，假設(shè)輸入層和隱藏層分別具有I1·I2·…·In和J1·J2·…·JN的計(jì)算特征。當(dāng)同一系統(tǒng)結(jié)構(gòu)多次使用，可能會出現(xiàn)數(shù)據(jù)分析計(jì)算速度下降的問題，此時(shí)必須要進(jìn)行自動結(jié)構(gòu)檢索更新，更新設(shè)計(jì)后的結(jié)構(gòu)能夠適應(yīng)數(shù)據(jù)深度挖掘需求，原有結(jié)構(gòu)中所存在的數(shù)據(jù)計(jì)算分析速度下降問題也將得到解決。增量式深度數(shù)據(jù)計(jì)算評估模型中，同樣采用保留技術(shù)結(jié)構(gòu)同時(shí)更新組成方法的模式，為避免冗余結(jié)構(gòu)影響到系統(tǒng)運(yùn)行速度，在自動更新檢索中也會對冗余部分進(jìn)行刪除處理，確保完成自動更新后的軟件結(jié)構(gòu)形式是最優(yōu)化合理的。

2.3 實(shí)現(xiàn)增量更新的計(jì)算模型構(gòu)建

數(shù)據(jù)更新與結(jié)構(gòu)更新實(shí)現(xiàn)后需要對深度計(jì)算評估模型進(jìn)行構(gòu)建，實(shí)現(xiàn)深度計(jì)算功能的模型構(gòu)建中主要從兩方面進(jìn)行。首先是預(yù)訓(xùn)練，預(yù)訓(xùn)練是對結(jié)構(gòu)，以及參數(shù)更新算法的確定，確定所需要保留的基本信息，在此基礎(chǔ)上來對每個模塊中所要更新的內(nèi)容進(jìn)行自動編碼，形成增量式的高階編碼更新形式。

其中，W等于綜合算法大數(shù)據(jù)分析模型結(jié)果、基礎(chǔ)模型，以及所需要更新的各個結(jié)構(gòu)層次均得到確定后，深度評估計(jì)算模型建立也能在此基礎(chǔ)上高效開展。其次是微調(diào)，微調(diào)則是針對基礎(chǔ)訓(xùn)練模擬中所存在的漏洞部分進(jìn)行調(diào)整，將計(jì)算模型調(diào)整成為最適合大數(shù)據(jù)分析特征的形式，通過這種方法才能夠在網(wǎng)絡(luò)環(huán)境下高校獲取信息，將其更新并進(jìn)入到自動對接環(huán)節(jié)中[4]。微調(diào)過程中會對數(shù)據(jù)進(jìn)行標(biāo)簽確定，每一項(xiàng)參數(shù)均獨(dú)立的編號，這樣便不會影響到最終的深度計(jì)算分析、數(shù)據(jù)微調(diào)，以及標(biāo)簽調(diào)整對最終參數(shù)獲取都有極大的影響。深度計(jì)算分析模型設(shè)計(jì)中還需要將數(shù)據(jù)資源整合，在結(jié)構(gòu)內(nèi)實(shí)現(xiàn)數(shù)據(jù)模型對比堆疊，從而實(shí)現(xiàn)分析模塊向總設(shè)計(jì)系統(tǒng)中的融合。參數(shù)更新是一個比較籠統(tǒng)的概念，微調(diào)則是對最終數(shù)據(jù)獲取精準(zhǔn)度的保障，微調(diào)是在預(yù)訓(xùn)練基礎(chǔ)上所開展的，兩項(xiàng)功能連續(xù)開展可以將深度評估計(jì)算消耗的時(shí)間降至最低。

3 深度計(jì)算評估模型算法設(shè)計(jì)中的數(shù)據(jù)安全控制措施

3.1 同態(tài)加密設(shè)計(jì)構(gòu)建

由于大數(shù)據(jù)特征學(xué)習(xí)環(huán)境下所進(jìn)行的深度計(jì)算評估，建立在網(wǎng)絡(luò)環(huán)境下開展，因此在更新參數(shù)，以及結(jié)構(gòu)期間也可能會產(chǎn)生一部分網(wǎng)絡(luò)安全威脅。如果在參數(shù)更新過程中對于帶有風(fēng)險(xiǎn)的數(shù)據(jù)不能有效隔離控制，可能會影響到深度計(jì)算評估過程中的安全性，造成數(shù)據(jù)丟失或者計(jì)算評估軟件癱瘓等問題。為預(yù)防網(wǎng)絡(luò)風(fēng)險(xiǎn)，在開展數(shù)據(jù)深度計(jì)算評估任務(wù)期間，會進(jìn)行同態(tài)加密結(jié)構(gòu)構(gòu)建設(shè)計(jì)，隨著參數(shù)更新實(shí)時(shí)對數(shù)據(jù)進(jìn)行加密保護(hù)，確保所下載更新的信息在安全性上可以達(dá)到防護(hù)標(biāo)準(zhǔn)。大數(shù)據(jù)這種，采用了DDPCM一維壓縮，壓縮比為8∶1，壓縮標(biāo)志2b01；Tile2壓縮失敗采用原始格式存儲，壓縮標(biāo)志2b00；Tile3采用了DDPCM的自適應(yīng)壓縮壓縮比為5.3∶1，壓縮標(biāo)志2b10；Tile4采用了DO壓縮格式存儲，壓縮比為4∶1，數(shù)據(jù)按照這一比例壓縮，進(jìn)入到更高效的狀態(tài)中。同態(tài)加密設(shè)計(jì)體現(xiàn)出數(shù)據(jù)更新的時(shí)效性，能夠隨著參數(shù)信息產(chǎn)生零間隔進(jìn)行加密，經(jīng)過加密，以及風(fēng)險(xiǎn)預(yù)防控制的信息進(jìn)入到深度計(jì)算環(huán)節(jié)內(nèi)，也能夠更高效地進(jìn)行數(shù)據(jù)轉(zhuǎn)換，安全加密結(jié)構(gòu)如圖2所示。

通過安全加密結(jié)構(gòu)避免風(fēng)險(xiǎn)隱患造成分析運(yùn)算系統(tǒng)癱瘓的問題，大數(shù)據(jù)特征學(xué)習(xí)環(huán)境下首先需要保障數(shù)據(jù)更新時(shí)間，因此同態(tài)加密設(shè)計(jì)中應(yīng)該重點(diǎn)從同等時(shí)間內(nèi)提升安全性層面來進(jìn)行。大數(shù)據(jù)分析與傳統(tǒng)控制方法在最終目的上是一致，但深度計(jì)算分析過程卻有很大區(qū)別，開展同態(tài)加密設(shè)計(jì)中需要體現(xiàn)出這一不同，能夠面向不同數(shù)據(jù)分析環(huán)境來開展基礎(chǔ)功能層構(gòu)建。

3.2 同態(tài)加密算法應(yīng)用

由于大數(shù)據(jù)特征學(xué)習(xí)環(huán)境下所進(jìn)行的深度計(jì)算評估建立在網(wǎng)絡(luò)環(huán)境下開展，因此在更新參數(shù)和結(jié)構(gòu)期間也可能會產(chǎn)生一部分網(wǎng)絡(luò)安全威脅，選擇適合高階反向傳播算法的同態(tài)加密方案，由于高階反向傳播算法在求解深度計(jì)算模型過程中，需要同時(shí)用到多次連乘操作和多次連續(xù)加法操作，因此必須選擇全同態(tài)方案對高階反向傳播算法進(jìn)行加密。如果在參數(shù)更新過程中對于帶有風(fēng)險(xiǎn)的數(shù)據(jù)不能有效隔離控制，可能會影響到深度計(jì)算評估過程中的安全性，造成數(shù)據(jù)丟失或者計(jì)算評估軟件癱瘓等問題。為預(yù)防網(wǎng)絡(luò)風(fēng)險(xiǎn)，在開展數(shù)據(jù)深度計(jì)算評估任務(wù)期間，會進(jìn)行同態(tài)加密結(jié)構(gòu)構(gòu)建設(shè)計(jì)，隨著參數(shù)更新實(shí)時(shí)對數(shù)據(jù)進(jìn)行加密保護(hù)，確保所下載更新的信息在安全性上可以達(dá)到防護(hù)標(biāo)準(zhǔn)。在對數(shù)據(jù)進(jìn)行壓縮時(shí)，按照8×8的Tile進(jìn)行壓縮，原始數(shù)據(jù)8×8×32bit=2048bit，DDPCM的壓縮后數(shù)據(jù)：32+32+32+61×2=218bit，由于外部DDR存儲器帶寬一般是2的整數(shù)冪，設(shè)計(jì)上采用128bit總線傳輸，所以DDPCM的壓縮后數(shù)據(jù)占用的實(shí)際帶寬需求為256bit，實(shí)際的DDPCM壓縮率為8∶1。同態(tài)加密設(shè)計(jì)體現(xiàn)出數(shù)據(jù)更新的時(shí)效性，能夠隨著參數(shù)信息產(chǎn)生零間隔進(jìn)行加密，經(jīng)過加密和風(fēng)險(xiǎn)預(yù)防控制的信息進(jìn)入到深度計(jì)算環(huán)節(jié)內(nèi)，也能夠更高效地進(jìn)行數(shù)據(jù)轉(zhuǎn)換。從而避免風(fēng)險(xiǎn)隱患造成分析運(yùn)算系統(tǒng)癱瘓的問題，大數(shù)據(jù)特征學(xué)習(xí)環(huán)境下數(shù)據(jù)更新時(shí)間是首先需要保障的，因此同態(tài)加密設(shè)計(jì)中應(yīng)該重點(diǎn)從同等時(shí)間內(nèi)提升安全性層面來進(jìn)行。大數(shù)據(jù)分析與傳統(tǒng)控制方法在最終目的上是一致，但深度計(jì)算分析過程卻有很大區(qū)別，開展同態(tài)加密設(shè)計(jì)中需要體現(xiàn)出這一不同，能夠面向不同數(shù)據(jù)分析環(huán)境來開展基礎(chǔ)功能層構(gòu)建。

3.3 基于同態(tài)加密的計(jì)算評估算法設(shè)計(jì)

同態(tài)加密與深度計(jì)算評估算法相結(jié)合，所構(gòu)建的基礎(chǔ)模型不僅具有大數(shù)據(jù)環(huán)境下學(xué)習(xí)能力，也能夠?qū)崿F(xiàn)模型與數(shù)據(jù)間的融合，提升深度計(jì)算評估軟件的適應(yīng)能力。隨著深度計(jì)算評估任務(wù)進(jìn)行來開展同態(tài)加密，對數(shù)據(jù)的評估和分析是在雙重指標(biāo)引導(dǎo)下共同進(jìn)行的，尤其是在加密過程中對數(shù)據(jù)深度挖掘速度的提升，充分運(yùn)用模糊數(shù)據(jù)處理模式來提升速度?？梢圆捎靡环N高級安全的反向傳播算法模式來構(gòu)建模型，反向傳播對數(shù)據(jù)安全審核是雙重進(jìn)行的，單向傳播并且進(jìn)入到控制系統(tǒng)內(nèi)發(fā)現(xiàn)存在風(fēng)險(xiǎn)威脅時(shí)，會將就威脅的信息再次返回到獲取模塊中進(jìn)行風(fēng)險(xiǎn)評估判斷，確保絕對安全后信息處理任務(wù)才能夠得以進(jìn)行。高階反向傳播算法包括連續(xù)加法和連續(xù)乘法操作，因此需要采用全同態(tài)加密算法對數(shù)據(jù)進(jìn)行加密，保證云端在密文上操作的正確性。確定大數(shù)據(jù)學(xué)習(xí)特征下參數(shù)風(fēng)險(xiǎn)來源，結(jié)構(gòu)和數(shù)據(jù)自動更新檢索設(shè)計(jì)中也能進(jìn)行規(guī)避，開展更為高效的數(shù)據(jù)分析處理任務(wù)。計(jì)算評估算法的軟件程序匯編與硬件結(jié)構(gòu)組成需要保持一致，通過這種方法來達(dá)到強(qiáng)化效果，從而確保最終的管理控制任務(wù)能夠安全高效開展。

3.4 云端數(shù)據(jù)高效獲取模型

云端數(shù)據(jù)獲取能夠擴(kuò)大大數(shù)據(jù)計(jì)算評估模型中信息更新的范圍，云端信息處理量十分大，自動更新檢索期間需要保證在單位時(shí)間內(nèi)數(shù)據(jù)處理任務(wù)量，可以與云端獲取量保持一致。提出云端安全深度計(jì)算模型，將加密后的數(shù)據(jù)安全的推送到云端，利用云端強(qiáng)大的計(jì)算能力，通過安全高階反向傳播算法在密文上進(jìn)行操作，高效訓(xùn)練深度計(jì)算模型的參數(shù)。云端大數(shù)據(jù)獲取和分析檢索任務(wù)進(jìn)行過程中，通過優(yōu)化信息數(shù)據(jù)獲取模式來提升資源可靠性。在設(shè)計(jì)基礎(chǔ)模型和軟件程序中，采用雙系統(tǒng)程序設(shè)計(jì)方法來完成，通過這種方法來提升軟件使用功能穩(wěn)定性，能夠同時(shí)在不同環(huán)境下對數(shù)據(jù)進(jìn)行檢索和更新獲取。云端環(huán)境中分析是面對海量數(shù)據(jù)資源所進(jìn)行的，基于特征進(jìn)行數(shù)據(jù)資源提取時(shí)，也可以首先判斷數(shù)據(jù)特征獲取范圍，確定宏觀或許范圍后，再進(jìn)行圍觀的特征調(diào)整，從而達(dá)到大數(shù)據(jù)信息資源獲取效率提升目標(biāo)，云端環(huán)境下深度計(jì)算評估結(jié)構(gòu)構(gòu)建如圖3所示。

采用安全加法操作計(jì)算原理來進(jìn)行結(jié)構(gòu)優(yōu)化，只對通過系統(tǒng)安全驗(yàn)證的參數(shù)進(jìn)行疊加處理，這樣才能夠保證最終的安全處理速度。安全加法計(jì)算所建立的模型對于安全性與風(fēng)險(xiǎn)性區(qū)分十分明確，但在面向加法操作過程中開展的數(shù)據(jù)來源確定分析，還需要對網(wǎng)絡(luò)數(shù)據(jù)獲取環(huán)境進(jìn)一步確定。只有了解環(huán)境中所存在的信息安全威脅，開展基礎(chǔ)模型建立中，對于結(jié)構(gòu)安全確定才能更加合理。將加密后的數(shù)據(jù)推送到云端，云端在密文上執(zhí)行安全高階反向傳播算法，訓(xùn)練深度計(jì)算模型參數(shù)，獲得參數(shù)的密文，然后將密文發(fā)送回客戶端。計(jì)算方法應(yīng)用時(shí)，也可以根據(jù)所疊加的基礎(chǔ)結(jié)構(gòu)特征來進(jìn)行數(shù)據(jù)安全檢索，體現(xiàn)出環(huán)境信息安全威脅在結(jié)構(gòu)中的優(yōu)化控制。

4 結(jié)論（Conclusion）

深度學(xué)習(xí)模型在大數(shù)據(jù)特征學(xué)習(xí)方面依然存在許多關(guān)鍵的科學(xué)問題。本文圍繞著大數(shù)據(jù)的本質(zhì)特征，深入研究了面向大數(shù)據(jù)特征學(xué)習(xí)的深度計(jì)算模型，提出了一系列針對大數(shù)據(jù)特征學(xué)習(xí)的深度計(jì)算模型算法。深度學(xué)習(xí)工作在向量空間，僅適合學(xué)習(xí)單一類型數(shù)據(jù)的特征，無法有效的學(xué)習(xí)異構(gòu)數(shù)據(jù)的特征。如何擴(kuò)展深度學(xué)習(xí)模型，有效挖掘異構(gòu)數(shù)據(jù)的特征，是面向大數(shù)據(jù)特征學(xué)習(xí)首要解決的科學(xué)問題。針對大數(shù)據(jù)的異構(gòu)性，研究了基于張量數(shù)據(jù)的深度計(jì)算模型，從而實(shí)現(xiàn)如何將深度學(xué)習(xí)模型從向量空間擴(kuò)展到張量空間，設(shè)計(jì)面向異構(gòu)數(shù)據(jù)特征學(xué)習(xí)的深度計(jì)算模型，學(xué)習(xí)異構(gòu)數(shù)據(jù)的特征。設(shè)計(jì)張量空間中的反向傳播算法，訓(xùn)練深度計(jì)算模型的參數(shù)。研究張量空間的距離度量方式，將張量距離引入深度計(jì)算模型的誤差函數(shù)，捕捉異構(gòu)數(shù)據(jù)在張量空間的分布特征。理論分析表明深度學(xué)習(xí)模型是深度計(jì)算模型的特例，深度計(jì)算模型則是深度學(xué)習(xí)模型在高階空間的擴(kuò)展與泛化。

參考文獻(xiàn)（References）

[1] 謝天宇，曹繼忠，趙姝婷，等.基于大數(shù)據(jù)深度學(xué)習(xí)的中醫(yī)“證候”到“方劑”的新型算法研究[J].亞太傳統(tǒng)醫(yī)藥，2018（1）：51-53.

[2] 張佩珩，卜東波，熊勁，等.“面向深度測序大數(shù)據(jù)量的計(jì)算模型與體系結(jié)構(gòu)研究”立項(xiàng)報(bào)告[J].科技創(chuàng)新導(dǎo)報(bào)，2016（11）：163.

[3] 劉晶，和述群，朱清香，等.基于深度學(xué)習(xí)的線上農(nóng)產(chǎn)品銷量預(yù)測模型研究[J].計(jì)算機(jī)應(yīng)用研究，2017，34（8）：2291-2293.

[4] 劉洋，劉博，王峰.基于ParameterServer框架的大數(shù)據(jù)挖掘優(yōu)化算法[J].山東大學(xué)學(xué)報(bào)：工學(xué)版，2017，47（4）：1-6.

作者簡介：

唐新宇（1981-），女，碩士，副教授.研究領(lǐng)域：大數(shù)據(jù)分析，計(jì)算機(jī)應(yīng)用.

陳曉明（1981-），男，碩士，高級講師.研究領(lǐng)域：大數(shù)據(jù)分析，計(jì)算機(jī)網(wǎng)絡(luò).