基于大數(shù)據(jù)技術(shù)的戰(zhàn)備物資儲備量建模與分析?

肖治鑫 楊西龍 姜玉宏

（陸軍勤務(wù)學(xué)院 重慶 401331）

1 引言

戰(zhàn)備物資儲備是為保障部隊及時應(yīng)對戰(zhàn)爭和非戰(zhàn)爭軍事行動需要而預(yù)先進(jìn)行的物資儲備，充足、合理的戰(zhàn)備物資儲備，是我軍遂行各項軍事任務(wù)的基礎(chǔ)［1～2］。由于我軍戰(zhàn)備物資儲備長期缺乏嚴(yán)格科學(xué)定量分析，儲備量的確定比較模糊，致使儲備效益不高，浪費(fèi)較為嚴(yán)重。雖然戰(zhàn)備物資儲備的研究逐漸受到軍內(nèi)外的專家、學(xué)者廣泛重視，形成了一批較大影響的學(xué)術(shù)研究成果［3］，但從整體上來看，戰(zhàn)備物資儲備的理論研究仍是一個新興的領(lǐng)域。

如今，隨著時代的發(fā)展，“大數(shù)據(jù)”一詞進(jìn)入人們的視線。隨后，大數(shù)據(jù)更是不斷地向各個領(lǐng)域滲透，己經(jīng)廣泛地應(yīng)用于互聯(lián)網(wǎng)、金融、教育等各個行業(yè)。根據(jù)IDC 作出的估測，數(shù)據(jù)一直都在以每年50%的速度增長，也就是每兩年增長一倍（大數(shù)據(jù)摩爾定律）。人類在最近兩年產(chǎn)生的數(shù)據(jù)量相當(dāng)于之前產(chǎn)生的全部數(shù)據(jù)量。預(yù)計到2020 年，全球?qū)⒖偣矒碛?5ZB 的數(shù)據(jù)量。相較于2010 年，數(shù)據(jù)量將增長近30倍［4］。

軍隊?wèi)?zhàn)備物資儲備種類繁多，數(shù)量龐大，其中存在著巨大可被挖掘的有價值信息。若是利用大數(shù)據(jù)技術(shù)對戰(zhàn)備物資儲備進(jìn)行研究，將成為一種新的儲備決策研究方式，為我軍戰(zhàn)備物資儲備以及后勤保障的建設(shè)提供借鑒與參考。

2 大數(shù)據(jù)技術(shù)簡介

大數(shù)據(jù)技術(shù)包括數(shù)據(jù)的采集、數(shù)據(jù)的存儲和管理、數(shù)據(jù)的處理與分析、數(shù)據(jù)的隱私和安全。其中的關(guān)鍵是數(shù)據(jù)的存儲管理與數(shù)據(jù)的處理分析，歸結(jié)起來為兩大核心技術(shù)，一是數(shù)據(jù)分布式存儲，二是數(shù)據(jù)分布式處理［5］。也就是說，在單臺計算機(jī)無法滿足海量數(shù)據(jù)的存儲管理與處理分析的時候，采用整個計算機(jī)集群網(wǎng)絡(luò)來對龐大的數(shù)據(jù)進(jìn)行存儲和處理。下面將對本文所要利用的大數(shù)據(jù)相關(guān)技術(shù)進(jìn)行簡單介紹［6］。

2.1 大數(shù)據(jù)處理架構(gòu)Hadoop

Hadoop是Apache軟件基金會旗下的一個開源分布式計算平臺，為用戶提供了系統(tǒng)底層細(xì)節(jié)透明的分布式基礎(chǔ)架構(gòu)。

Hadoop 并不是一門單一的技術(shù)，實(shí)際上是一系列大數(shù)據(jù)技術(shù)的集合體，是一整套解決方案的統(tǒng)稱，可以看作一個項目。對于這么一個項目，有兩大技術(shù)核心:分布式文件系統(tǒng)HDFS 以及分布式并行框架MapReduce。這兩大核心解決了大數(shù)據(jù)領(lǐng)域中的兩個問題:海量數(shù)據(jù)的分布式存儲、海量數(shù)據(jù)的分布式處理［7］。

2.2 分布式文件存儲系統(tǒng)HDFS

HDFS 的全稱是Hadoop 平臺上的分布式文件系統(tǒng)（Hadoop Distributed File System）。HDFS 是整個Hadoop 平臺上面兩大核心組件之一，解決了海量數(shù)據(jù)的分布式存儲問題。

分布式文件系統(tǒng)在物理結(jié)構(gòu)上由計算機(jī)集群中的眾多節(jié)點(diǎn)所構(gòu)成。在計算機(jī)集群中，存在一臺作為主節(jié)點(diǎn)，也被稱作“名稱節(jié)點(diǎn)”；其余的作為從節(jié)點(diǎn)，或被稱為“數(shù)據(jù)節(jié)點(diǎn)”。主節(jié)點(diǎn)承擔(dān)起數(shù)據(jù)目錄，也即是元數(shù)據(jù)的服務(wù)。主節(jié)點(diǎn)主要負(fù)責(zé)文件和目錄的創(chuàng)建、刪除、重命名等工作，同時主節(jié)點(diǎn)還管理著從節(jié)點(diǎn)和文件塊的映射關(guān)系，因此客戶端須先訪問主節(jié)點(diǎn)才能找到所需要的文件塊所在位置，進(jìn)而到相應(yīng)位置讀取所需文件塊［8］。從節(jié)點(diǎn)則完成相關(guān)數(shù)據(jù)存儲和讀取任務(wù)。在存儲數(shù)據(jù)時，主節(jié)點(diǎn)分配數(shù)據(jù)存儲的位置，由客戶端把數(shù)據(jù)直接寫入相應(yīng)從節(jié)點(diǎn)；讀取數(shù)據(jù)時，客戶端從主節(jié)點(diǎn)獲取從節(jié)點(diǎn)和文件塊的映射關(guān)系，然后就可以到相應(yīng)位置訪問文件塊。同時，從節(jié)點(diǎn)要根據(jù)主節(jié)點(diǎn)的命令來創(chuàng)建、刪除數(shù)據(jù)塊。分布式文件系統(tǒng)結(jié)構(gòu)如圖1所示。

2.3 分布式并行編程框架MapReduce

MapReduce 正如它的名字那樣，主要分為Map（映射）和Reduce（化簡）兩個階段。MapReduce 將復(fù)雜的、運(yùn)行于大規(guī)模集群上的并行計算過程高度地抽象為兩個函數(shù):Map 和Reduce，這兩個函數(shù)及其核心都源自函數(shù)式編程語言。在MapReduce中，一個存儲在分布式文件系統(tǒng)中的大規(guī)模數(shù)據(jù)集會被切分成許多獨(dú)立的小數(shù)據(jù)塊，這些小數(shù)據(jù)塊可以被多個Map 任務(wù)并行處理。MapReduce 框架會為每個Map 任務(wù)輸入一個數(shù)據(jù)子集，Map 任務(wù)生成的結(jié)果會繼續(xù)作為Reduce 任務(wù)的輸入，最終由Reduce任務(wù)輸出最后結(jié)果，并寫入分布式文件系統(tǒng)［9］。

圖1 分布式文件系統(tǒng)結(jié)構(gòu)

MapReduce 設(shè)計的一個理念就是“計算向數(shù)據(jù)靠攏”，而不是“數(shù)據(jù)向計算靠攏”，因?yàn)橐苿訑?shù)據(jù)需要大量的網(wǎng)絡(luò)傳輸開銷，尤其是在大規(guī)模數(shù)據(jù)環(huán)境下，這種開銷尤為驚人。所以，移動計算要比移動數(shù)據(jù)更加經(jīng)濟(jì)。本著這個理念，在一個集群中，只要有可能，MapReduce 框架就會將Map 程序就近地在HDFS 數(shù)據(jù)所在節(jié)點(diǎn)運(yùn)行，即將計算節(jié)點(diǎn)和存儲節(jié)點(diǎn)放在一起運(yùn)行，從而減少了節(jié)點(diǎn)間的數(shù)據(jù)移動開銷。

2.4 分布式數(shù)據(jù)庫HBase

HBase 是一個高可靠、高性能、面向列、可伸縮的分布式數(shù)據(jù)庫。HBase 是一個分布式存儲系統(tǒng)，HBase 最主要的特點(diǎn)是用來存儲非結(jié)構(gòu)化和半結(jié)構(gòu)化的松散數(shù)據(jù)。HBase 是架構(gòu)在底層分布式文件系統(tǒng)HDFS 基礎(chǔ)上的，同時MapReduce 可以對HBase相關(guān)數(shù)據(jù)進(jìn)行處理［10］。

對于傳統(tǒng)關(guān)系型數(shù)據(jù)庫而言，其擴(kuò)展能力又非常有限，導(dǎo)致對數(shù)據(jù)的存儲能力捉襟見肘。并且，目前很多數(shù)據(jù)結(jié)構(gòu)經(jīng)常發(fā)生變化，關(guān)系數(shù)據(jù)庫模式確定后就很難變更。HBase 的出現(xiàn)，有效地彌補(bǔ)了傳統(tǒng)關(guān)系型數(shù)據(jù)庫的缺陷。

2.5 數(shù)據(jù)倉庫Hive簡介

Hive 是一個基于Hadoop 文件系統(tǒng)之上的數(shù)據(jù)倉庫，支持大規(guī)模數(shù)據(jù)的存儲分析。Hive和傳統(tǒng)的數(shù)據(jù)倉庫是不同的，傳統(tǒng)的數(shù)據(jù)倉庫既是數(shù)據(jù)存儲的產(chǎn)品，又是數(shù)據(jù)處理分析的產(chǎn)品。Hive本身并不支持?jǐn)?shù)據(jù)存儲和處理分析，可以將它看作一個面向用戶的編程接口，給用戶提供了一種編程語言，讓用戶通過類似SQL的編程語言去編寫分析需求［11］。

Hive 是架構(gòu)在底層Hadoop 核心組件基礎(chǔ)之上的。Hadoop 平臺有一個支持大規(guī)模數(shù)據(jù)存儲的組件HDFS，還有一個可以支持大規(guī)模數(shù)據(jù)處理的組件MapReduce。Hive 就借助于這兩個組件，完成數(shù)據(jù)的存儲和處理分析。Hive 與Hadoop 生態(tài)系統(tǒng)中各個組件的關(guān)系如圖2所示。

圖2 Hive與Hadoop生態(tài)系統(tǒng)的關(guān)系

如圖2所示，Hive是架構(gòu)在整個Hadoop體系結(jié)構(gòu)頂層的，是建立在Hadoop 平臺上的數(shù)據(jù)倉庫，是基于底層的HDFS、HBase、MapReduce等組件。

3 戰(zhàn)備物資儲備量測算模型建立

戰(zhàn)備物資是保障作戰(zhàn)行動的重要物質(zhì)支撐力量，在有效履行后勤保障任務(wù)中有著不可替代的作用。戰(zhàn)備物資儲備量測算分析是科學(xué)確定戰(zhàn)備物資儲備的基礎(chǔ)和依托，是圍繞軍事斗爭準(zhǔn)備提升后勤保障能力的具體體現(xiàn)。

本文結(jié)合我軍當(dāng)前實(shí)際，按照物資消耗特性和保障特點(diǎn)，建立戰(zhàn)備物資儲備量測算模型?；诖髷?shù)據(jù)對模型參數(shù)進(jìn)行分析研究，輔助完善戰(zhàn)備物資儲備量測算模型，對戰(zhàn)備物資儲備提供科學(xué)合理方案。

3.1 戰(zhàn)備物資儲備模型概述

戰(zhàn)備物資涉及全軍數(shù)十個儲備專業(yè)，數(shù)十萬種儲備物資，具有種類繁多數(shù)量龐大的特點(diǎn)。不同的專業(yè)之間存在著一定的交叉性和各自的特性，統(tǒng)一建立模型和逐個專業(yè)建立模型都較為困難。

本文從保障綜合需求出發(fā)，將戰(zhàn)備物資分作兩大類進(jìn)行建模，其中又根據(jù)戰(zhàn)備物資儲備影響因素，考慮戰(zhàn)備物資的消耗、生產(chǎn)以及和軍事供應(yīng)鏈其他環(huán)節(jié)協(xié)調(diào)程度，建立如下戰(zhàn)備物資儲備量測算表達(dá)式:

其中，Q 表示戰(zhàn)備物資的消耗量，下文將對其進(jìn)行分類，分成消耗型Qx和使用型Qs兩類；P 表示戰(zhàn)備物資的生產(chǎn)補(bǔ)給量，該生產(chǎn)補(bǔ)給量是指在軍民融合環(huán)境下，由地方企業(yè)生產(chǎn)提供且用于部隊需求的戰(zhàn)備物資量與軍隊內(nèi)部對于該物資生產(chǎn)量的總和；δ 表示戰(zhàn)備物資自然損耗率，該損耗率與保障方向的自然環(huán)境有關(guān)；S 表示決策戰(zhàn)備物資儲備量，即是上級部門最終決定某戰(zhàn)備物資所需要的儲備量；S'表示戰(zhàn)備物資實(shí)際需求量，因此S'等于戰(zhàn)備物資消耗量減去生產(chǎn)補(bǔ)給量的值，由于存在自然損耗，S'則又等于決策儲備量去除自然損耗量的值。

3.2 戰(zhàn)備物資消耗量測算分析

3.2.1 戰(zhàn)備物資消耗分類

戰(zhàn)備物資消耗量的測算是確定戰(zhàn)備物資實(shí)際需求量的基礎(chǔ)，對戰(zhàn)備物資消耗進(jìn)行分類建模研究是為了適應(yīng)不同戰(zhàn)備物資既存在差異性又具有一定相似性的客觀要求。區(qū)別于之前不少學(xué)者研究主要從戰(zhàn)備物資所屬專業(yè)為出發(fā)點(diǎn)對各專業(yè)中不同的物資進(jìn)行建模計算，本文根據(jù)戰(zhàn)備物資消耗規(guī)律的特點(diǎn)，結(jié)合已有消耗標(biāo)準(zhǔn)、配備標(biāo)準(zhǔn)，對戰(zhàn)備物資消耗進(jìn)行分類建模。

從戰(zhàn)備物資消耗特點(diǎn)來看，戰(zhàn)備物資可分為兩類，一是使用即減少的消耗型物資，如油料、彈藥、醫(yī)療繃帶等；二是可重復(fù)進(jìn)行使用的物資，如車材、儀器設(shè)備、帳篷、被裝等。

從戰(zhàn)備物資消耗的計算模型上來看，這兩種模型總體上具有一定的相似性，都是圍繞多種后勤保障力量，考慮多種保障形式，對同一種物資消耗需求量進(jìn)行測算的研究。

3.2.2 消耗型戰(zhàn)備物資建模

消耗型物資消耗量模型為

Qx表示消耗型戰(zhàn)備物資的消耗量；n 表示保障單位的數(shù)量；N 表示保障單元的數(shù)量，即是保障單位中裝備或者人員等的數(shù)量；C 表示消耗標(biāo)準(zhǔn)，即是保障單元在每個單位時間或者單位里程的物資消耗量；t 表示保障時間、保障里程、消耗次數(shù)、消耗件數(shù)、消耗個數(shù)等。

消耗型物資一般為消耗規(guī)律與保障時間、保障里程等密切相關(guān)的物資，其保障對象消耗量通常按照對應(yīng)的消耗標(biāo)準(zhǔn)計算，如彈藥、醫(yī)用藥品、給養(yǎng)物資中的單兵食品、艦艇遠(yuǎn)航食品、油料裝置中的液壓油過濾裝置、常規(guī)油料化驗(yàn)儀器及主油中的汽油、航煤、柴油等。

消耗型戰(zhàn)備物資起著基礎(chǔ)性的保障作用，它的保障對象為所有對該類物資具有消耗需求的單元，其消耗不考慮裝備是否受損。該類物資還具有一次性消耗的特點(diǎn)，一般該類物資使用即減少，不考慮重復(fù)使用。

在對消耗型戰(zhàn)備物資建立模型時，將保障環(huán)境以及受保障單元的自身性質(zhì)對戰(zhàn)備物資的影響一同計算到t 中。受保障環(huán)境和受保障單元的自身性質(zhì)的影響，使得消耗型戰(zhàn)備物資的消耗量越多，則t 的值越大；反之，t 的值越小。

3.2.3 使用型戰(zhàn)備物資建模

使用型物資消耗量模型為

Qs表示使用型戰(zhàn)備物資的消耗量；R 表示戰(zhàn)備物資保障配備標(biāo)準(zhǔn)；K 物資使用次數(shù)；θx表示保障環(huán)境影響系數(shù)；θy表示保障類型影響系數(shù)；θb戰(zhàn)備物資補(bǔ)償系數(shù)；n，N 表示意義同上。

使用型戰(zhàn)備物資具有能夠多次使用的特征，該類物資對應(yīng)其保障對象有相應(yīng)的配備標(biāo)準(zhǔn)，一般按基數(shù)計算，如軍需物資中的被裝、作戰(zhàn)靴、作戰(zhàn)頭盔、睡具睡袋，野營物資中的充氣床墊、行軍床、鋪板、油料裝備中的軟體油罐、軟質(zhì)輸油管線，特種機(jī)具中的通風(fēng)除濕設(shè)備、給排水設(shè)備、發(fā)電設(shè)備、凈水設(shè)備等。

根據(jù)戰(zhàn)備物資影響因素以及使用型戰(zhàn)備物資特點(diǎn)來看，該類物資主要受保障環(huán)境θx的影響，需要考慮氣候、海拔對戰(zhàn)備物資帶來的影響。同時，由于保障單元自身性質(zhì)的差異，各單元對于使用型物資的消耗量也不相同。比如野戰(zhàn)單位、后勤保障單位、機(jī)關(guān)單位、軍事院校等，或是同一個單元戰(zhàn)時與平時對于同一種使用型物資的需求量是有差別的，這主要根據(jù)受保障單元自身性質(zhì)以及情況來進(jìn)行判斷。

同時，通常對于使用型物資的配備按批次進(jìn)行計算，若不考慮每次作戰(zhàn)的回收，不僅將造成大量物資的浪費(fèi)，同時也加大了后勤部隊保障任務(wù)的難度。在此，本文引入物資使用補(bǔ)償系數(shù)θb，根據(jù)不同物資性質(zhì)，對物資在每次使用后進(jìn)行一定的損耗補(bǔ)償，以恢復(fù)原有保障水平。

3.3 戰(zhàn)備物資生產(chǎn)補(bǔ)給量測算分析

在對戰(zhàn)備物資生產(chǎn)補(bǔ)給量測算分析時，應(yīng)將“軍民融合”這個因素考慮進(jìn)去，根據(jù)地域經(jīng)濟(jì)能力與企業(yè)的生產(chǎn)水平結(jié)合軍隊內(nèi)部物資生產(chǎn)水平，對于快速生產(chǎn)類的戰(zhàn)備物資就可以減少存儲，甚至不儲。保障活動若是和地方企業(yè)聯(lián)系不緊密，甚至籌措戰(zhàn)備物資只靠軍隊內(nèi)部生產(chǎn)，物資的供應(yīng)能力肯定較前者弱，物資則應(yīng)該根據(jù)實(shí)際情況適當(dāng)多儲［8］。

鑒于以上因素，對于戰(zhàn)備物資生產(chǎn)補(bǔ)給量建立如下模型:

m 表示參與“軍民融合”的地方企業(yè)與軍內(nèi)物資生產(chǎn)部門數(shù)量總和；L 表示企業(yè)生產(chǎn)某戰(zhàn)備物資的單位時間產(chǎn)量；T 表示生產(chǎn)時間；θz表示供應(yīng)鏈影響系數(shù)。

在整條軍事供應(yīng)鏈中與戰(zhàn)備物資儲備緊密關(guān)聯(lián)的有運(yùn)輸、裝卸搬運(yùn)、配送等環(huán)節(jié)。利用地方企業(yè)對戰(zhàn)備物資儲備進(jìn)行生產(chǎn)補(bǔ)給，整個過程對于流通性有著較高的要求。因此，引入供應(yīng)鏈影響系數(shù)θz，該系數(shù)用來表示在供應(yīng)鏈過程中由于單位時間的運(yùn)輸量低或者裝卸搬運(yùn)的效率不高等造成的影響。如果戰(zhàn)備物資儲備與軍事供應(yīng)鏈其他環(huán)節(jié)都能協(xié)調(diào)配合，緊密聯(lián)系，則這方面的影響因素不予考慮。

3.4 基于大數(shù)據(jù)對模型參數(shù)的分析

上述模型中，對于保障單位的數(shù)量n，保障單位中裝備或者人員等的數(shù)量N ，參與“軍民融合”的地方企業(yè)與軍內(nèi)物資生產(chǎn)部門數(shù)量總和m，物資使用次數(shù)K ，企業(yè)生產(chǎn)某戰(zhàn)備物資的單位時間產(chǎn)量L，生產(chǎn)時間T 等主要根據(jù)具體實(shí)際進(jìn)行判斷；消耗標(biāo)準(zhǔn)C ，戰(zhàn)備物資保障配備標(biāo)準(zhǔn)R 的確定主要根據(jù)已有的消耗標(biāo)準(zhǔn)和配備標(biāo)準(zhǔn)進(jìn)行取值，各專業(yè)有較為詳盡的研究。以上參數(shù)在此不做探討，本文主要利用大數(shù)據(jù)技術(shù)對戰(zhàn)備物資自然損耗率δ，保障時間、保障里程、消耗次數(shù)、消耗件數(shù)、消耗個數(shù)等t ，保障環(huán)境影響系數(shù)θx，保障類型影響系數(shù)θy，戰(zhàn)備物資補(bǔ)償系數(shù)θb，供應(yīng)鏈影響系數(shù)θz進(jìn)行分析。

3.4.1 數(shù)據(jù)的采集

利用大數(shù)據(jù)技術(shù)對模型參數(shù)的確定前需要對各參數(shù)所涉及到的數(shù)據(jù)進(jìn)行采集。其中戰(zhàn)備物資自然損耗率δ，保障時間、保障里程、消耗次數(shù)、消耗件數(shù)、消耗個數(shù)等t 以及保障環(huán)境影響系數(shù)θx這三個參數(shù)均受保障自然環(huán)境的影響，因此在數(shù)據(jù)采集的過程中，將采集各類戰(zhàn)備物資在不同保障環(huán)境下的歷史消耗量。保障自然環(huán)境通常分為城市、山地、江河、荒漠草原、水網(wǎng)稻田、熱帶叢林、高寒山地、嚴(yán)寒地區(qū)等。在保持其余參數(shù)相同的情況下，采集在不同保障環(huán)境下的數(shù)據(jù)，則能夠反映保障自然環(huán)境對戰(zhàn)備物資儲備帶來的影響。

對于保障類型影響系數(shù)θy，通常采集不同類別的保障單元對物資的消耗情況。根據(jù)采集不同類別保障單元對同種物資的消耗數(shù)量，進(jìn)行對比則能夠反映保障類型對戰(zhàn)備物資儲備帶來的影響。比如野戰(zhàn)部隊對于作戰(zhàn)靴、作戰(zhàn)頭盔、野營帳篷、行軍床等的消耗較高；科研單位對于此類物資的消耗就相對低很多。

對于供應(yīng)鏈影響系數(shù)θz，對涉及到在整條軍事供應(yīng)鏈中與戰(zhàn)備物資儲備緊密關(guān)聯(lián)的環(huán)節(jié)歷史情況數(shù)據(jù)，比如該地區(qū)的交通事故發(fā)生頻率、地方物流發(fā)展?fàn)顩r等數(shù)據(jù)進(jìn)行采集，反映供應(yīng)鏈流通性對戰(zhàn)備物資儲備補(bǔ)給帶來的影響。

對于戰(zhàn)備物資補(bǔ)償系數(shù)θb，根據(jù)查詢或者導(dǎo)入各保障單元對于使用型戰(zhàn)備物資的歷史消耗情況、數(shù)據(jù)來分析確定。

3.4.2 數(shù)據(jù)的存儲

在擁有大量數(shù)據(jù)后，使用分布式文件系統(tǒng)HDFS 實(shí)現(xiàn)戰(zhàn)備物資儲備海量數(shù)據(jù)存儲。HDFS 是面對海量數(shù)據(jù)存儲才應(yīng)運(yùn)而生的，另外，HDFS對硬件的要求很低，可以運(yùn)行在廉價服務(wù)器甚至個人電腦上，當(dāng)數(shù)據(jù)上傳到HDFS 系統(tǒng)中時會在主節(jié)點(diǎn)的控制下存儲到不同的數(shù)據(jù)節(jié)點(diǎn)上，避免了存儲系統(tǒng)中的單點(diǎn)故障問題，隨著數(shù)據(jù)量的增加，HDFS可以方便水平擴(kuò)展［12］。

3.4.3 數(shù)據(jù)的分析處理

本文將采用數(shù)據(jù)倉庫Hive 與分布式數(shù)據(jù)庫HBase 相結(jié)合的方式對海量數(shù)據(jù)進(jìn)行分析與處理。因?yàn)镠ive 和HBase 本身就是架構(gòu)在分布式文件系統(tǒng)HDFS上的。Hive借助HDFS完成整個大規(guī)模數(shù)據(jù)的分布式存儲，借助于MapReduce完成整個大規(guī)模數(shù)據(jù)的分布式并行處理［13～14］。HBase架構(gòu)在底層分布式文件系統(tǒng)HDFS 基礎(chǔ)上，同時MapReduce 可以對HBase 相關(guān)數(shù)據(jù)進(jìn)行處理。其中，HBase和Hive之間形成互補(bǔ)的關(guān)系，Hive適合進(jìn)行海量數(shù)據(jù)批處理；HBase 是支持實(shí)時交互式查詢的數(shù)據(jù)庫，適合交互式實(shí)時查詢分析，彌補(bǔ)了HDFS不支持隨機(jī)讀寫的缺陷［15］。

對有關(guān)模型參數(shù)的海量數(shù)據(jù)進(jìn)行處理分析或者實(shí)時查詢，從而對戰(zhàn)備物資儲備量進(jìn)行決策。整個大數(shù)據(jù)技術(shù)框架如圖3所示。

圖3 大數(shù)據(jù)技術(shù)框架

其中，大數(shù)據(jù)層采用的就是相關(guān)大數(shù)據(jù)技術(shù)，也是Hadoop 平臺軟件框架中的技術(shù)。最底層采用HDFS分布式文件存儲系統(tǒng)來滿足戰(zhàn)備物資中海量數(shù)據(jù)存儲的需求；存儲完數(shù)據(jù)后對數(shù)據(jù)進(jìn)行分析，其中離線分析是指對數(shù)據(jù)進(jìn)行批量處理，Hadoop中的MapReduce最擅長的便是批量處理，即圖中的MR。除了MapReduce 以外，還有圖中所示的數(shù)據(jù)倉庫Hive 和Pig；對于數(shù)據(jù)實(shí)時查詢，可以利用Hbase分布式數(shù)據(jù)庫進(jìn)行實(shí)現(xiàn)。

4 結(jié)語

對戰(zhàn)備物資儲備量的探究，以建立戰(zhàn)備物資儲備量測算模型，基于大數(shù)據(jù)技術(shù)對模型進(jìn)行分析處理，完善模型的方式，使戰(zhàn)備物資儲備決策更加科學(xué)、高效；使我軍戰(zhàn)備物資儲備決策能力與國家科技水平、未來復(fù)雜戰(zhàn)爭形態(tài)下軍事背景與作戰(zhàn)需求、國防軍事實(shí)力以及后勤保障能力的發(fā)展相適應(yīng)。戰(zhàn)備物資儲備量的研究是新軍事變革對于后勤保障的客觀需求，對于提高后勤保障能力具有重要意義。