孟小峰：开放大数据的挑战“给我一个需求，我还你一个系统”

孟小峰

博士，中国人民大学信息学院教授，副院长。现为中国计算机学会常务理事、中国计算机学会数据库专委会秘书长，《Journal of Computer Science and Technology》、《Frontiers of Computer Science》、《软件学报》、《计算机研究与发展》等编委。近期主要研究领域为互联网与移动数据管理，包括Web数据集成，云数据管理，大数据与隐私保护，基于新型存储的数据库系统等。

大数据时代一个根本性的变化，是原来的信息化时代是一个封闭世界所构建的，而我们新的信息化是一个开放世界。

现在的数据产生已经完全不只限于传统的物理社会，这使得数据产生的方式也发生了根本性的改变。简单地总结为如下几个阶段。第一，以往数据库技术所面对的数据，其实是传统的企业生产、经营过程中所产生的数据，称为运营式系统。这些数据是被动产生的，是在企业运营决策管理需要情况下产生的，数据是规范、有序的，它提出的根本要求是满足简单分析。

到了互联网时代，数据的产生方式发生了根本的改变，每一个人都可以按自己的方式把自己的数据放到一个开放空间中去，因此数据的结构变得复杂而且无序，人们对于数据的要求也变得弱化，提出的根本性讨论问题是什么？分布式处理和数据集成。

当今大数据的产生，数据源是自动产生的过程，是无所不在的感知系统源源不断地产生，呈现所谓的多元异构、分布广泛和动态演化的过程。它的挑战性在于实时分析，这是我们现有系统不能满足的。

第二个阶段，面对源源不断的数据，将其整合在一起加以利用的应用需求产生了，为此，我们提出了数据空间和数据集成的技术。其实这一技术的根本特点是完成一次抽象，即从每一个数据源的局部视图，试图改造出一个全局视图，这样，用户在一个数据源集合的时候，不再关心每一个局部数据源的情况，只需在一个全局视图上给出查询，即可求得结果，这种抽象极大地方便了人们在多数据源上的利用。

那么，大数据时代需要完成的任务十分丰富，为什么目前无法满足科学家们提出的这些需求的操作呢？原因是，我们的抽象层次没有针对性。应该基于前一个阶段的抽象，在这上面针对各类应用的需求给出一种新的抽象机制，如果这个抽象机制能够实现，那么各领域的用户就可以在这样的基础上完成其应用任务。然而，现实是，面对我们所产生的，无论是物理还是生物，还是各个科学领域所产生的数据源，专业人员并不知道如何组织它们，而我们又没有提供一个有效的工具，将它抽象成专业人员认识这些数据的需求。

科学家为什么没有得到这样可用的处理机制呢？我认为在问题的抽象上仍然存在问题。也就是说，科研过程的数据处理任务，尚未很好地凝练成一个可抽象的共识。

4年前美国归国家线性加速器研究中心的一些学者组织了一个研讨会，将研发数据库的IT技术人员和从事科学研究的学者聚集在一起。学者们将在其高能物理科学研究中所遇到的数据处理问题抛出来，希望寻求答案。会上互动的环节中，IT技术人员给科学家们提出了一个挑战，他说：“如果能把你的需求明确地告诉我，我就可以还给你一个系统。”如此的一个互动，很多人认为是笑话，但是几年之后这样的系统真的产生了。他们抽象出来的是什么？他发现科研人员组织数据的方式根本不是表格，而是数组。科研数据大部分产生出来，它需要在多维的数组上去运算，这就是他们日常看待数据的一个基本思维方式。这个系统出来之后，立刻得到众多科学研究人员的喜欢，因为它提供了大量有关数组的简易操作，科研工作者们就可以像写编译语言那样简单地描述，就可以完成他原本需要很长的程序才能完成的任务。