基于云计算的食品有毒有害物质检验检测大数据的风险分析算法及其应用

王雅洁 杨冰 代姣 何锦林 陈恺 罗艳 谭红 陶光灿

摘要基于云计算，结合食品安全检验检测的完备性与最小性原理，将影响食品安全的多维因素降维成平均含量（AVE）、限量标准（STA）、超限率（OUT）、超限程度（OUD）和最大值（MAX）5个因素，并建立食品有毒有害物质检验检测大数据的风险分析算法。利用云计算技術实现对地理上分布广泛、动态、复杂性高的海量数据进行存储，并运用云计算的MapReduce计算框架进行智能的并行数据处理及计算，最后得到风险分析结果。通过对在基于Web端的实验室管理系统采集的1 000 000条检验检测数据结果进行风险分析，得出食品安全指数IFS远小于1，表明消费者人群的食品安全状态良好。

关键词云计算；食品有毒有害物质检测；大数据；风险分析算法

中图分类号S126；R155文献标识码A文章编号0517-6611（2017）21-0216-05

Risk Analysis Algorithm and Its Application of Poisonous and Harmful Substance in Food Testing Big Data Based on Cloud Computing

WANG Yajie，YANG Bing，DAI Jiao，TAO Guangcan* et al

（Guizhou Academy of Testing and Analysis，Guiyang，Guizhou 550002）

AbstractBased on cloud calculation，combined with the completeness and minimum principle in food safety inspection and testing，multiple dimensional factors that affected the food safety were reduced into five factors：average content （AVE），limit standard （STA），overload rate （OUT），out of limit degree （OUD），and the maximum value （MAX），and the poisonous and harmful substance risk analysis algorithm in food safety inspection and testing big data was established.The paper made use of cloud computing platform to achieve the data storage of massive extensive geographical distribution，dynamic，high complexity data，and applies MapReduce computational framework of cloud computing for intelligent parallel data processing and computing.Finally，we got the required risk analysis results.Through the risk analysis of collected 1 000 000 testing data results from the laboratory management information system based on web side，it was found that the food safety index was greater less than 1，which indicated that the food safety state was in good condition in consumer population.

Key wordsCloud computing；Food testing of poisonous and harmful substance；Big data；Risk analysis algorithm

近年來，随着互联网[1]的高速发展，云计算技术[2]已在金融[3-5]、汽车[6-7]、电力[8-9]等行业得到一定的应用。李聪[10]提出的食品安全状态评价指标体系曾在食品安全风险分析中有所应用，但由于风险分析的数据量过小，分析结果不具有说服力，且并未实现在云技术下的应用。目前，在食品行业“互联网+食品检验检测”模式驱动下，食品安全检验检测数据量呈指数级增长，大数据已经形成。大量的食品检测数据无疑能为人们带来广阔的信息量，但需要从海量食品安全检验检测数据中发现对监管部门、企业及检测机构有用知识的难度随之增加。食品安全风险分析是食品安全领域的重难点，基于云计算的食品有毒有害物质的风险评估算法能够有效解决海量数据潜在价值的挖掘及利用。笔者通过采集互联网端实验室信息管理系统（Laboratory management information system，LIMS）汇聚的全国各检验检测机构的食品检验检测大数据，并充分运用云计算平台高可用性及高度虚拟化等特征[11]，动态调度和分配资源，以满足精准风险分析及高效数据挖掘的需求。笔者提出一种基于云计算的食品有毒有害物质检验检测大数据的风险分析算法，将数学算法应用在食品安全检验检测中。该模型是一种使食品安全检验检测结果反映数据间呈现出多变量间关系的一种算法应用技术，该算法已在贵州省食品安全云平台实际部署并上线运行，取得了良好的效果。该文是“互联网+食品安全检验检测”模式的实践应用，实现了一种以海量数据信息为中心的风险交流方法。

1云计算的定义及云计算环境下的并行计算模型

1.1云计算的定义云计算[12] 是一种实现海量数据的分布式计算模式，通过聚合海量分布在不同时间、不同地点、不同食品安全检验检测实验室的食品检测结果的资源， 提供海量食品数据的存储与计算能力。 云计算平台通过虚拟化、 动态资源调配等技术向食品行业的监管部门、企业、检测机构、媒体、大众提供数据计算的按需服务，避免资源浪费，提高云服务器的利用率以及应用性能。云计算使用大量廉价互连在互联网上的计算机按需进行任务的处理，为食品安全检验检测结果大数据提供了所需的存储资源、计算资源等。所有用户无需了解云计算基础设施的管理。与此同时，云计算提供动态负载均衡与横向伸缩的能力，随着数据量的增大，需要更多的数据节点来进行计算。 云计算支持运行时向数据中心按需新增节点， 并自动将一些负载按需转移到新的节点上，进行运算， 并保持节点间负载的平衡， 提高业务的承载能力[13]。

此外，利用虚拟化技术原理，云技算能实现分布式计算、信息资源的集中管理和智能调配。 云计算主要有3种主流的商业模式，分别为平台即服务（PaaS） 、基础架构即服务（IaaS） 和软件即服务（SaaS）。云计算逻辑图如图1所示。

在云计算环境中，所有数据资源分为多个数据中心的模式。 一个数据中心有成千上万的数据节点， 这些数据节点间通过互联网进行高效连接， 可为用户提供存储及计算资源。随着云计算的快速发展，能够利用虚拟化实现廉价大规模的计算平台，并将存储资源、网络资源、计算资源、应用程序等作为虚拟化的实体。虚拟化技术可被运用于有效利用和组织空闲的计算平台，对闲置的计算资源进行抽象，使计算资源形成相互间独立的虚拟服务器实例，从而独立地完成被分配的数据处理和计算，以此实现底层硬件的虚拟化。

1.2云计算环境下的并行计算模型MapReduce是Google实验室提出的一个云计算环境下处理大规模数据的分布式并行计算模型框架[14-15]。MapReduce作业处理分为Map步骤和Reduce步骤，任务由大量独立并行的Map任务和 Reduce任务组成，每个步骤可用一个函数来表示，即Map函数和Reduce函数，每个函数都以一个键值对的形式作为输入和输出。 Map步骤将大规模数据处理作业分成多个可独立运行的小任务，与此同时，Map函数会输入一个键值對

数据挖掘也称为知识发现过程，就是从采集的大规模数据中，通过挖掘算法，发现潜在可被理解的、有价值的信息的过程。对于食品有毒有害物质的风险分析是数据挖掘的一种具体实现，最终的目的是从海量检验检测数据中提取出可理解的知识，挖掘出潜在价值。因此，希望数据规模的越大越好，这样数据挖掘出结果更加精准，即风险分析更加有说服力。这样高要求的风险分析对于开发环境和应用环境有较高的要求，基于云计算的风险分析方式较为满足。在云计算平台中，大规模的数据被存储在数据中心中，云计算根据风险分析算法的具体应用需求动态分配资源进行计算处理，并采用自带容错机制确保数据挖掘算法的可靠性及可扩展性[17]。

① 基于云计算模式可使风险分析分布式并行的执行，有效避免了资源浪费，节约运算时间。该模式可运用在不同规模的行业组织中，为食品企业、监管部门、检测机构带来新型低成本的计算环境，减轻行业组织对成本大型昂贵的高性能机的依赖性。②基于云计算的风险分析算法开发方便，由于底层被屏蔽掉，行业组织不再需考虑底层数据的划分、数据节点的分配以及云计算任务调度等。③基于云计算模式能很大程度上提升海量数据的处理能力，可按需智能化的增加结点，提高容错性。④基于云计算的风险分析保证了数据挖掘技术的共享，降低了行业数据挖掘应用门槛，满足了大规模食品检验检测数据的价值提取。

2.3.1系统架构。

基于以上思想，设计了基于云计算技术的数据挖掘系统，基于食品有毒有害物质的风险分析算法即为数据挖掘算法库中的一种，其整体结构如图2所示。

在设计的数据挖掘系统中，节点被分为主控节点（TotalCtrlNode）及工作节点（WorkerNode）。在整个系统架构中只有一个TotalCtrlNode， 由HDFS中的NameNode、SecondNameNode、数据仓库、MapReduce计算模型下的JobTracker、以及数据挖掘算法库组成，设计的风险分析算法即为数据挖掘算法库中的一种，随着业务系统的需要，此后可在数据挖掘算法库中设计更多的基于食品安全行业的风险分析算法。其中，NameNode是HDFS的主服务器，用于管理及存储文件系统的元数据，执行HDFS打开、关闭、重命名等命名空间操作，并将文件块分成若干个，到WorkerNode中的DataNode进行映射。在设计的数据挖掘系统中，可按需部署若干个WorkerNode节点，它由HDFS中的DataNode以及MapReduce计算模型下的TaskTracker组成，分别负责数据的存储和计算工作。 其中将实际的大规模数据分成数据块存放在DataNode中，DataNode还负责按照NameNode的命令，处理实际的读写请求，并执行数据块的创建、复制、删除等工作。TaskTracker则利用开发的风险分析算法，处理若干数据块的实际数据挖掘工作。在实际系统运行过程中，首先从架构在云端、基于互联网的应用系统LIMS中采集的不同地点、不同时间、不同实验室的海量检测数据，并存入数据仓库中，此时基于云计算模式下HDFS的NameNode会自动将数据文件分成若干块存储到WorkerNode中的各个DataNode中。SeondNameNode和NameNode部署及運行在不同的机器上，其功能主要是辅助NameNode处理映像文件和事务日志。

数据挖掘算法库负责存储数据挖掘所需的算法，开发了基于食品有毒有害物质检验检测大数据的风险分析算法，利用云计算并行执行的特点，算法使用MapReduce编程模型重新设计实现。

基于食品有毒有害物质检验检测大数据的风险分析算法放入TotalCtrlNode的算法库中，TotalCtrlNode节点中MapReduce计算模型下的JobTracker会进行各计算节点之间的工作进程的调度与协调，按需将数据挖掘任务跨WorkerNode节点进行分发、监控以及失败任务的重新执行，TaskTracker执行时将会按需调用这些任务，或根据具体业务需要结合本地数据库执行TotalCtrlNode分配的任务，并将计算结果及相应状态信息向TotalCtrlNode进行反馈。JobTracker和TaskTracker采用Master/Slave模式进行工作，Master和Slave通过相互发送命令实现交互。这样的结构机制具有高容错性，由于系统中可按需进行WorkerNode的扩展利用，当其中某个WorkerNode出错时，只需将此WorkerNode上正在执行或计算的任务向其他WorkerNode上进行迁移，并重新执行坏掉的WorkerNode上的计算任务，与此同时，向TotalCtrlNode发送迁移信息，TotalCtrlNode将重新对其他的WorkerNode节点进行任务再分配，在此过程中坏掉的WorkerNode将被屏蔽在系统外等待修复。

设计的基于云计算技术的数据挖掘系统可按功能上划分成2个部件：存储部件和计算部件。其中，系统存储部件由HDFS中的NameNode、SecondNameNode、DataNode以及基于互聯网端的LIMS数据的数据仓库组成，而计算部件则由MapReduce计算模型下的JobTracker、TaskTracker以及本文设计的数据挖掘算法库组成。该基于云计算技术的数据挖掘系统是Hadoop作为底层大数据解决方案，使用部署在云端的、基于Linux操作系统的计算机集群作为硬件设备。

2.3.2数据挖掘算法层-风险分析算法设计。基于食品安全检验检测结构化的完备性与最小性的原理[3]，在基于云计算的数据挖掘系统中设计了基于云计算的食品有毒有害物质检验检测大数据的风险分析算法。由于影响食品安全的因素繁多，涉及的内容较广，因此对检验检测结果风险分析需要从全局视角出发，从不同层次来考虑食品安全的总体状态。风险分析的原理主要是根据风险分析与食品安全状态影响的重要程度、风险分析与食品安全状态变化的协调性、风险分析反映食品安全状态变化的可靠灵敏性和风险分析刻画食品安全状态变化的代表性来进行评估的[18]。完备性就是能在食品安全状态变化中找到相应的结构化量度，并能满足食品安全检验检测数据分析结构化的需要；最小性则是对任意结构集QX，均有XI，使得结构集在精减到最小限额结构化前提下依然能获得几乎与其它结构集同样的信息来满足食品安全数据分析结构化的需要[3]。

2.3.2.1以阈值法（Threshhold approach）应用的技术原理。

食品有毒有害物质检验检测大数据结构化的计算，其理论依据是人体与试验动物存在着合理可比的阈剂量值[19]。但是，人的敏感性与动物相比更高，遗传差异性较大，并且膳食习惯更为不同。鉴于此，可采用ADI[20]、PTWI[21]或RDI[22]等数据进行。

2.3.2.2食品有毒有害物质检验检测大数据集的风险分析。

风险分析涉及到数据集中的具体检测指标，例如六六六在蔬菜中的含量、甲醛在啤酒中的含量等，检测结果大数据是整个风险分析的最底层和最基础的数据。确定大数据集的风险分析非常简单方便，主要根据国内外所制定的有关各类食品的检验标准或法规，针对有毒有害指标，通过基于Web端的实验室检测管系统理（LIMS），利用互联网采集跨地区、跨实验室的相关检验检测大数据，并设计实现以下算法，利用互联网采集的原数据和云计算技术，计算相关参数，从而进一步进行风险分析。

（1）影响食品安全的多维因素降维。结合食品安全检验检测结构化的完备性与最小性原理，首先将影响食品安全的多维因素降维成以下几个因素[3]，并进行相关计算，这5个因素即为风险评价指标。

①平均含量（AVE）。平均含量AVEitem指在某类有毒有害物质在某种特定食品中的的平均值，也是具体某个有毒有害物质检测项目结果都数据平均值。其计算公式为：

AVEitem=ni=1Cin （1）

式中，AVEitem为检测指标数据的平均值，由某一有毒有害物质的检验检测指标值计算得到，Ci表示第i个样品中该检测结果的含量，n为样本总个数。

②限量标准（STA）。针对每一个检测结果指标，按照国际或国家标准，标准中会规定该指标的限量标准（STAitem）。由于在食品安全领域，有毒有害物质、致病微生物等有害物的风险分析通常是人们所关注的，因此限量标准（STAitem）在食品安全检验检测的风险分析中的都应该为上限标准。对于标准中规定为“没有”或“未检出”等非数字的情况，可以将其视为“0”处理。

③超限率（OUT）。超限率是在整个的数据集中，该检测项目结果数据值超过限量标准（STAitem）的样品个数占整个结果数据集的比例，计算公式如下：

OUTitem=MN×100% （2）

式中，OUTitem为超限率，M为超出限量标准的数据个数，N为整个数据集中的数据个数。

④超限程度（OUD）。超限程度（OUDitem）代表在整个的监测结构集中，所有超限数据超出限量标准（STAitem）的偏离程度。

OUDitem=j=1，2，…，m（Cj-STAitem）2M （3）

式中，OUDitem代表超限程度，Cj为在该指标结构化上超限的某一具体数据值，STAitem指该指标的限量标准，M代表超出限量标准的数据个数。

⑤最大值（MAX）。计算在整个数据集中，该检测指标项检测结果的最大值（MAXitem）。

（2）食品种类指标。设计了针对具体某个食品中具体检测项目的5个评价指标，解决了具体食品中具体项目的风险分析问题。由于各种食品的构成非常复杂，其中可能含有多种致病微生物和多种有毒有害物质，要实现对某一类食品检验检测风险分析，需要在指标基础上建立食品种类指标。食品种类的指标风险分析主要有以下2个方面。

①食品的合格率（σ）。

针对具体某个食品，比如肉制品，根据其各个检测项目的具体结构化的数据结果，可根据与国家的肉制品评价标准比对，评价出该肉制品样品是否达到国家标准，即是否合格。不同种类的食品合格性评价的标准和方法不同， 比如在某些食品中，只要有任何一个检测项目的结构化结果超出其限量标准就可判定为这整个食品不合格。在有些食品中，则需要综合考虑多个检测项目后，再进行评价。无论哪种方式，所有样本都可以作出合格与否的评价，因此可以得到整个云计算数据集中，该食品的合格率（σfood），计算公式为：

σfood=LN×100% （4）

式中，σfood为食品合格率，L表示在整个数据集达到国家标准的样品量，即合格的样品量，N表示数据集中的样品总量。（1-σfood）则为该食品的不合格率。

②食品的不安全度（h）。食品的不安全度（h）表示具体某食品整体的不安全程度，是一个无量纲的数值。由于食品中往往有许多微生物或化学物质等危害安全的物质，所以要用一个结构化来表示该类食品的不安全程度，肯定要对食品中危害物质的含量进行无量綱化处理，同时还需要知道该类危害物质的危害系数[23]，食品的不安全度（hfood）的计算公式为：

hfood=AVEitem>STAitem（AVEitem-STAitemSTAitem×Fitem） （5）

式中，hfood为某类食品不安全度，Fitem代表该有毒有害物质或致病微生物项目的危害系数，通常情况下，Fitem≤1，AVEitem為检测指标数据的平均值，STAitem为该指标的限量标准；公式（5）表示在该食品所有危害物结构化中，挑出其平均含量AVEitem超出限量标准STAitem的结构化，将所有超限危害物结构化进行无量纲化处理，即AVEitem-STAitemSTAitem，然后与该项目的危害系数Fitem相乘，最后累加求和得到该食品的不安全度（hfood）。

（3）食品安全检验检测整体状态数据风险分析。

食品安全检验检测整体状态数据风险分析主要是基于暴露评估方法的食品安全指数（IFS）， IFS表示食品中的危害物时消费者健康是否存在危害以及危害的程度，即IFS能对食品安全整体状态进行评估。

IFS=nc=c1…，cnIFScn（6）

式中，IFSc表示食品中某种危害物质C对消费者健康影响的单项食品安全指数，n代表样品总个数。

由于食品中各种危害物的毒害作用与其进入人体的绝对量有关，运用阈值法（Threshhold approach）应用的技术原理，在设计食品有毒有含物质风险分析的评价时，认为评价食品安全整体状态以人体通过饮食途径而对危害物质的实际摄人量与其安全摄入量比较更为科学合理。通常对长期动物试验资料的安全系数为100[19]，但不同的国家采用的是不同的标准，一般采用ADI[20]、PTWI[21]、或RDI[22]数据。在这样一种理论思想指导下，首先导出可以用来评价食品中某种危害物C对消费者健康影响的食品安全指数IFSc，结构化的计算公式为：

IFSc=EDIc×fSIc×bw（7）

式中，SIc为食品安全摄入量，可根据不同的危害物可采用ADI[20]、PTWI[21]、或RDI[22]标准进行取值；bw为平均体重（kg），缺省值为60；f为校正因子，如果安全摄人量采用ADI、PTDI等日摄入量数据，f取1；如果安全摄入量采用PTWI等周摄入量数据，f取7；EDIc为化学物质C的实际日摄入量估算值，EDIc可按照公式（8）计算：

EDIc=（Ri×Fi） （8）

式中，Ri为食品i中化学物质C的残留水平，即化学物质C的检测结果，单位为mg/kg；Fi是食品i的估计日消费量，单位是g/（人· d）； 式（7）可用来计算危害物C的食品安全指数IFSc，根据计算结果可以得出该危害物质对食品安全的影响程度。当IFSc远小于1，危害物对食品安全没有影响；当IFSc≤1，危害物C对食品安全影响的风险是可以接受的；当IFSc>1，危害物对食品安全影响的风险超过了可接受的限度。考虑了所研究的消费者人群的饮食习惯及各种食品和化学物质的残留情况下，IFSc值就具备了可加和性：

IFS=nc=c1…，cnIFScn（9）

在这种情况下，当IFS远小于1，证明食品安全状态很好；当IFS≤1，食品安全状态较好，可接受；IFS>1，消费者人群的食品安全状态不可接受。无论以上哪一种情况，对于任何一个IFSc值超过l，都说明消费者人群对化学物质C的暴露已超过了可接受的程度，应该进入风险管理程序。

3应用实例

基于云计算技术的数据挖掘同传统数据挖掘的基本过程一致。系统由6台物理计算机组成，其中1台为TotalCtrlNode，另5台为WorkerNode。通过从基于互联网的应用系统LIMS中，采集不同时间、不同地点、不同实验室9月份某贵州本土品牌肉制品的检测数据1 000 000条，对食品污染物铅（Pb）、汞（Hg）、砷（As）的检测结果进行风险分析，采集结果汇集了遍布贵州省9个实验室的检测数据。进行数据挖掘与分析工作，以期进行食品有毒有害物质检验检测大数据的风险分析及评估。采集到的数据先被存放于TotalCtrlNode中的数据仓库中，由HDFS中的NameNode进行数据分块，并将若干个数据块分配到5台WorkerNode节点中的DataNode进行存储。基于在TotalCtrlNode节点中的数据挖掘算法层设计的基于食品有毒有含物质的检验检测风险分析算法，由MapReduce云计算模型的JobTracker进行不同数据块的分析计算任务分配，由TaskTracker进行分析计算任务的执行，所得结果存储在若干个DataNode当中。

根据国家标准GB2762，污染物铅（Pb）、汞（Hg）、砷（As）的限量标准STA分别为0.50、0.05和0.50 mg/kg[24]。在1 000 000组检测数据中，铅（Pb）检测结果不合格的有3组，汞（Hg）不合格的有2组，砷（As）不合格的有2组。不合格的指標检测结果分别如下：铅（Pb）：0.60、0.65、0.66 mg/kg；汞（Hg）：0.06、0.068 mg/kg；砷（As）：0.60、0.611 mg/kg。

应用实例中，采用ADI[20]摄入量数据，铅（Pb）、汞（Hg）、砷（As）的分别为0.003 56、0.000 1和0.002 15 mg/kg。该肉制品日均估计消费量为100 g，即0.1 kg。

根据设计的基于云计算的食品有毒有害物质的大数据的风险分析算法，对采集的肉制品检测数据进行了云计算，得到表1。

在计算食品不安全程度（hfood）时，由于得到的AVEitem4小结

通过采集基于互联网端应用系统LIMS的食品安全检验检测数据，在云平台PaaS层设计了一种基于云技术的食品有毒有害物质检验检测大数据的风险分析算法，该算法是在云技术基础上设计实现基于MapReduce的编程模型，与传统食品安全风险分析相比，采用云计算模式使得成本更加低廉、计算更加快速、节点增加容易，且由于云计算的高容错性，可避免因节点损坏造成的数据丢失， 实现了不同地点、不同实验室、不同检测机构采集的食品安全检验检测数据的高效分析及價值挖掘，是一种基于云计算下以海量数据信息为中心的风险交流方法。随着数据量的增多，数据挖掘结果的准确性会更加有所提高，分析结果也会更加有价值，该风险分析算法的优势会愈发明显。

参考文献

[1]

ALBERT R，JEONG H.Internet：Diameter of the World-Wide Web[J].Nature，1999，401（6）：130-131.

[2] MELL P M，GRANCE T.The NIST Definition of Cloud Computing：SP 800-145[M].Washington，DC：National Institute of Standards & Technology，2011.

[3] 谢世清.论云计算及其在金融领域中的应用[J].金融与经济，2010（11）：9-11.

[4] 杨大泉.云计算下的金融信息集成与服务：兼论上海证券报战略转型规划[D].上海：上海交通大学，2013.

[5] 肖四如，肖可砾.云计算时代的金融创新[J].银行家，2013（3）：116-119.

[6] 曹子健，林今，宋永华.主动配电网中云计算资源的优化配置模型[J].中国电机工程学报，2014，34（19）：3043-3049.

[7] 李石清.基于Hadoop的汽车后市场商品数据平台设计[D].广州：华南理工大学，2013.

[8] 张林鍹，辛献杰，崔冰，等.面向汽车产品设计的虚拟现实服务平台研究[J].系统仿真学报，2014，26（10）：2407-2411.

[9] 吴凯峰，刘万涛，李彦虎，等.基于云计算的电力大数据分析技术与应用[J].中国电力，2015，48（2）：111-116.

[10] 李聪.食品安全监测与预警系统[M].北京：化學工业出版社，2006.

[11] WANG Q L，VARELA C A.Impact of cloud computing virtualization strategies on workloads performance[C]//IEEE International Conference on Utility & Cloud Computing.Melbourne：IEEE Computer Society，2011：130-137.

[12] BUYYA R，YEO C S，VENUGOPAL S，et al.Cloud computing and emerging IT platforms：Vision，hype，and reality for delivering computing as the 5th utility[J].Future generation computer systems，2009，25（6）：599-616.

[13] ARMBRUST M，FOX A，JOSEPH A D，et al.Above the clouds：A berkeley view of cloud computing[J].Eecs department university of california berkeley，2009，53（4）：50-58.

[14] DEAN J，GHEMAWAT S.MapReduce：Simplified data processing on large clusters.[J].Communications of the acm，2008，51（1）：107-113.

[15] DEAN J，GHEMAWAT S.MapReduce：Simplified data processing on large clusters.[J].Communications of the acm，2008，51（1）：107-113.

[16] 應毅，任凯，刘正涛.基于云计算技术的数据挖掘[J].微电子学与计算机，2013，30（2）：161-164.

[17] 贺瑶，王文庆，薛飞.基于云计算的海量数据挖掘研究[J].计算机技术与发展，2013（2）：69-72.

[18] 黄晓娟，刘北林.食品安全风险预警指标体系设计研究[J].哈尔滨商业大学学报（自然科学版），2008，24（5）：621-623.

[19] 蒋定国.铅、镉污染与膳食暴露评估的实证研究[D].北京：中国疾病预防控制中心，2008.

[20] LU F C.A review of the acceptable daily intakes of pesticides assessed by WHO[J].Regulatory toxicology & pharmacology rtp，1995，21（3）：352-364.

[21] HERRMAN J L，YOUNES M.Background to the ADI/TDI/PTWI[J].Regulatory toxicology & pharmacology，1999，30（2）：109-113.

[22] HEGSTED D M.Recommended dietary intakes of elderly subjects.[J].American journal of clinical nutrition，1989，50（S5）：1231-1235.

[23] 刘为军.中国食品安全控制研究[D].杨凌：西北农林科技大学，2006.

[24] 田洪芸，任雪梅，冯炜，等.GB2762-2012《 食品安全国家标准食品中污染物限量》 的解读[J].中国科技博览，2013（25）：295-296.