Abstract： The traditional statistical analysis method is to use the existing data of database system to carry out the simple statistical classification analysis. It can easily and quickly input， query， modify， update and count the data. But the traditional statistical analysis methods can not timely and accuratly discover the relationships and rules of data， and it can not quickly extract accurate the precision analysis data needed by the business decision-makers， which makes the business decision makers is difficult to predict future trends based on existing statistical data. So， it is easy to lose business opportunities， makes the enterprise is passive and enormous resistance to business development and growth. Therefore， it is urgent to need a new technology to achieve these requirements. This article focuses on the analysis of data mining technology， which can replace the traditional data analysis technology and analyze massive data. It combines the traditional data analysis method with the complex algorithm of processing a large number of data. Data mining provides a powerful and accurate processing power for exploring and analyzing the new data types and analyzing the old data types by using new methods. It has been widely used in massive data processing and has achieved very good economic and social benefits.
关键词：统计分析；数据库；数据挖掘；效益
Key words： statistical analysis；database；data mining；benefits
中图分类号：TP3 文献标识码：A 文章编号：1006-4311（2016）18-0033-03
0 引言
新世纪以来，随着互联网及信息技术的飞速发展和应用，使我国的信息化得到前所未有的爆炸式增长，各个行业相继完成信息化改造，极大地提升了人们的生活水平与生产效率。同时，也使各行业进入到信息化发展的轨道上，进一步提升了企业生产效益。正是由于经济的飞速发展，各行业发展都已积累了海量的数据信息。但是传统的数据分析方法和工具仅仅能实现简单的录入、查询、更改、统计、输出等非常低等的功能，无法及时快速地发现数据跟数据之间存在的关系与规则，无法根据已有的海量数据有效预测未来的发展趋势，不能及时为企业决策提供有力的数据支持。
数据挖掘技术的出现技术填补了大量企业的这一需求，数据挖掘技术可以高效地挖掘数据背后隐藏的关系跟规则，非常方便地把这些海量信息予以统计、分析及利用成为当前各行业需要解决的首个问题。为企业决策提供及时准确的数据支持，为企业发展壮大提供很好的数据分析工具。而海量数据挖掘技术的出现，保证了海量数据信息的合理利用，同时加快了我国信息化技术的发展。
1 数据挖掘技术定义
数据挖掘技术起源于情报分析，其过程是一个从大量的、不完整的、有噪声的、模糊的随机数据被从隐含在大量数据中提取的过程，数据挖掘的情报资料是人们事先不知道的，但可能是有用的信息和知识。在大多数情况下，人们利用计算机等信息工具的时候只知道，存储数据，数据被存储的越来越多，但不知道这些海量数据中隐藏着很多重要的规律、规则等信息，数据挖掘技术就是一种可以从大量的数据中挖掘出有用重要信息的一种数据分析工具。如图1所示。
2 数据挖掘常用的方法
数据统计分析中的数据挖掘技术主要有以下方法：分类法、回归分析法、聚类法、关联规则法、特征法、变化和偏差分析法、Web页挖掘等相关方法，这些方法从不同的角度对数据进行挖掘分析，得出需要的信息数据。
3 统计分析和数据挖掘的主要区别
从实践应用的角度来看，这个问题并没有很大的意义，正如“不管白猫还是黑猫，抓住老鼠才是好猫”一样，在实际的应用中，数据分析师分析问题时，首先要考虑的是思路，其次才会对与思路匹配的分析挖掘技术惊醒筛选，而不是优先考虑到底是用统计分析方法还是利用数据挖掘技术来解决这个问题。
统计分析和数据挖掘的主要的区别在以下几个方面：
统计分析在预测中应用常表现为一个或一组函数关系式，而数据挖掘在预测应用中的重点在于预测结果，很多时候并不会从结果中产生明确的函数关系式，有时候甚至不知道到底哪些变量在起作用，又是如何起作用的。最经典的例子就是“神经网络”挖掘技术，它里面的隐藏层就是一个黑箱，没有人能在所有的情况下读懂里面的非线性函数是如何对自变量进行组合的，在实践应用中，这种情况常会让习惯统计分析公式的分析师感到困惑，这也确实影响了模型在实践应用中的课理解性和可接受度。
统计分析的基础之一就是概率论，在对数据进行统计时，分析人员常常需要对数据分布和变量之间的关系进行假设，确定用什么概率函数来描述变量之间的关系，以及如何检验参数的统计显著性；但是数据挖掘的应用中，分析人员不需要对数据分布做任何假设，数据挖掘中的算法会自动寻找变量间的关系，因此，相对于海量、杂乱的数据，数据挖掘技术有明显的应用优势。
在实践应用中，统计分析常常需要分析人员先做假设或判断，然后利用数据分析技术来验证该假设的正误。但是，在数据挖掘中，分析人员并不需要对数据的内在关系做任何假设，而是会让挖掘工具中的算法自动去寻找数据中隐藏的关系或规律。
两者的思维方式并不相同，这给数据挖掘带来了更灵活、更宽广的思路和舞台。
4 数据挖掘的一般流程
海量数据挖掘技术指的是把海量数据信息有针对性地进行提炼、分类和整理，从而将隐含在最深层次的信息挖掘出，为各行业发展提供可靠的数据信息支持。换言之，海量数据挖掘技术利用当前最先进的数据分析工具从海量数据信息内部挖掘数据信息以及模型间的关系的一种技术统称，更加深入的认识与了解数据模型，并对各自模型件关系的对应关系予以深入分析，从而更好地指导各行业的生产与发展，同时为其提供更多决策性的技术支持。
事实上，数据挖掘过程不能够自动生成，必须通过人工建模来实现，因此，人需要完成大部分的工作。其中，主要包含数据采集、数据预处理、数据选择、建立挖掘模型及评估模型等。
首先，通常海量数据挖掘技术应用在各行业的生产和发展决策方面，也就是说数据挖掘工作将面临着巨大的数据信息，并且此类数据信息多数为模糊的、无规律的；其次，建立高效、易理解的数据模型有助于实现海量数据挖掘；再次，数据挖掘模型的构建主要目的是帮助用户解决实际存在的问题，在经过对海量数据信息进行挖掘之后，从中找出利用价值高的信息，再对此类信息予以统计、整理和分析，最终用于指导各行业的生产与发展；最后，开展数据挖掘工作主要是为从海量数据信息里找出有价值的数据信息，这并不是单纯的数学性研究，其根本目的是从各行业的海量数据信息中找出有价值的数据信息，它具有相应的约束条件，且面向的是针对性较强的数据挖掘模型。
数据挖掘的一般流程如图2所示。
5 数据挖掘技术实现
现如今，尽管海量数据挖掘属于一种新技术，但由于该技术发展速度较快，因此，已被广泛应用到计算机发展领域当中。近年来，由于数据挖掘理论的逐步趋于完善化，并且在实践中取得了较好成效。其中，最常用的海量数据挖掘技术主要包含以下几种：决策树、神经网络以及统计学模糊。
①决策树算法通常应用到分析分类问题当中，同时它也是分类与预测的一主要技术。其中，类别属于因变量，而决策树可从众多预测变量当中，再相关理论的指导下，预测变量的发展趋势及变化关系，同时可对其进行双向分析，即包含正向分析和反推分析，根据最终的结果去寻找问题的原因。
②神经网络的建立。事实上，人工神经网络法指的是模拟人脑神经元结构的一种算法。其中，改善神经网络算法的关键在于知识的表达与获取。神经网络可实现并行处理，这是因为神经网络应用的是自适应函数估计器，因此，它的学习能力是极强的，在短时间内能学会新知识，同时它的纠错能力与适应性也是非常可观的。
③统计学模糊学习。该方法属于一种预测法，常被应用到谈及机器学习规律当中，而且只可应用到小样本情形中。另外，该方法是对观测数据进行深入的研究，通过对原理的分析，找出其中不予通用的规律。再结合已找出的规律进行更深层次的分析与探究，再结合实践中存在的现象予以预测，这样可提前预测出数据的发展趋势。
6 数据挖掘的应用
目前数据挖掘的应用领域主要包括以下这些方面：
金融、医疗保健、市场业、零售业、制造业、司法、工程和科学、保险业、网络舆情监控系统、企业竞争情报系统、全文检索、企业搜索、数据分析、数据库，可以用在各个需要数据分析的行业。
6.1 生物科技
在生物科技领域，如人的大脑与机器这一层面上，利用数据挖掘技术可加速发展生化义肢这一产品，很多这方面的专家学者普遍认为利用数据挖掘技术快速发展生化义肢这方面是大有潜力可供挖掘的。
6.2 信息科技
数位权利管理愈来愈受重视，以便保护知识财产，由全录公司Palo Alto研究中心创出的Content Guard公司，利用加密技术保护知识财产。
6.3 商务智能
数据挖掘技术可以用来支持广泛的商务智能应用，如顾客分析、定向营销、工作流管理、商店分布和欺诈检测等。数据挖掘还能帮助零售商回答一些重要的商务问题，如“谁是最有价值的顾客？”“什么产品可以交叉销售或提升销售？”“公司明年的收入前景如何？”这些问题催生了一种新的数据分析技术――关联分析。如图3所示。
6.4 资料发掘与生物测定学
数据挖掘是利用数学演算法，在庞大的资料库中寻找方式，例如目前应用在掌纹、脸孔等图像辨识，或者是语言辨识处理等方面。
6.5 塑料芯片
塑料芯片是最新的前沿科学，塑料以其价格便宜、容易制造等特点被很多科研机构以及大学所青睐。很多大学科学家及机构在利用数据挖掘技术致力于研究塑料代替硅半导体，如IBM公司、朗讯科技、麻省理工大学、剑桥大学、Penn State大学都在大量研究与开发塑料或有机物质芯片。
6.6 微光学技术
专家利用可反射光线的水晶、玻璃等物质，让光纤传输资料的速度，不会因为通过路由器、交换器时而降低速度。
6.7 司法
在司法领域，数据挖掘技术分析的对象一般分为两大类：一类是基于监控对象的系统，它能够帮助分析专家跟踪某个犯罪嫌疑人；另一类是基于行为模式的系统，它可以在多种活动方式中搜寻可疑的可能涉及犯罪的行为，或者可能是犯罪分子才会产生的行为。基于监控对象的数据挖掘技术又称作关联分析法，是司法机构重点开发的技术。这种方法能利用相关数据，在表面上没有关系的人或事件之间建立关联。比如，如果某人是犯罪嫌疑人，那么就可以使用关联软件发现嫌疑人可能正在影响的其他人，从相关人那里获取破案线索。
6.8 微应用流体学
科学家正试图利用物理原则做实验，只利用极微量的水，加快原本需要费时费金钱的实验。加州理工学院的应用物理学家Stephen Quake，以微应用流体学发展了一套DNA分析装置，比传统的分析装置快。Technology Review的编辑指出，微应用流体学将为生物科技提供巨大的帮助，就像当初电晶体提高了电子产品。
7 案例分析
基于统计分析的数据挖掘在工程造价管理中的实例应用分析，在工程造价管理系统中，可通过选择工程单方造价指标、造价核减率、竣工结算价、工程结构形式、招标方式、竣工结算审核单位、竣工结算日期等因素等进行数据筛选，通过后台数据库统计分析后选出符合目标值的数据类型。
比如，选取出2010年1-7月某市市区竣工结算审定价超过100万元的工程计三十二项。其中，六层以下砖混结构住宅楼七项，六层以下框架混凝土结构住宅楼六项，十八层框剪住宅楼两项，框架综合楼五项，框架厂房三项，内装饰工程五项，外装饰工程两项，普通沥青路两项。
经过对建设成本的测算可以清楚，六层及以下的砖混结构住宅楼平均单方造价为801.65元/m2，六层以下框架住宅楼平均单方造价为941.39元/m2，十八层框剪住宅楼平均单方造价为1080.37元/m2，框架综合楼平均单方造价为1326.36元/m2，框架厂房平均单方造价为852.70元/m2，内装平均单方造价为24.58元/m2，外装平均单方造价为824.94元/m2，普通沥青路平均单方造价为354.55元/m2。
此市市区2010年1-7月竣工工程单方造价指标如上所示的典型工程造价指标信息，是此市定期的，具有代表性、以审定的工程结算为主的住宅（含经济适用房或廉租房）、公共建筑、市政道路等工程造价实例信息，它为社会和造价管理机构提供可参考的、较详细的实际工程造价经济指标和消耗量指标信息。
总的来说，数据分析处理，可以简单快捷地从繁重冗杂的工程造价数据中找出共性或者异性的数据。有效加强了工程造价的全过程动态管理，强化了工程造价的约束机制，为维护有关各方的经济利益，规范价格行为，促进微观效益和宏观效益的统一提供广阔的平台。
8 结束语
数据挖掘技术的广泛应用彻底解决了海量数据快速处理问题，然而人们对数据挖掘技术的需求水平也越来越高。它可以预测未来的发展趋势，所以今后研究焦点可能会集中到处理非数字数据；寻求数据挖掘过程中的可视化方法，便于在知识发现过程中的人机交互，使计算机真正实现智能化。这可能需要一段时间，需要计算机工作者的不断的研究探索，不久的将来我们将看到数据挖掘据技术很大的进展。
参考文献：
[1]董芸.数据挖掘与统计分析[J].统计与决策，2010（09）.
[2]陈科，张保明，王宇灵，谢明霞.基于统计分析的数据挖掘中数据处理综述[J].测绘科学，2008（S1）.
[3]罗眉，田涛，赵宗涛.一种基于统计分析的数据挖掘技术应用研究[J].微计算机应用，2008（06）.
[4]陈文锋.基于统计信息的数据挖掘算法[J].统计与决策，2008（15）.
[5]胡桔州，侯木舟，欧阳资生.数据挖掘的统计方法及其软件实现[J].统计与决策，2007（05）.
0 引言
新世纪以来，随着互联网及信息技术的飞速发展和应用，使我国的信息化得到前所未有的爆炸式增长，各个行业相继完成信息化改造，极大地提升了人们的生活水平与生产效率。同时，也使各行业进入到信息化发展的轨道上，进一步提升了企业生产效益。正是由于经济的飞速发展，各行业发展都已积累了海量的数据信息。但是传统的数据分析方法和工具仅仅能实现简单的录入、查询、更改、统计、输出等非常低等的功能，无法及时快速地发现数据跟数据之间存在的关系与规则，无法根据已有的海量数据有效预测未来的发展趋势，不能及时为企业决策提供有力的数据支持。
数据挖掘技术的出现技术填补了大量企业的这一需求，数据挖掘技术可以高效地挖掘数据背后隐藏的关系跟规则，非常方便地把这些海量信息予以统计、分析及利用成为当前各行业需要解决的首个问题。为企业决策提供及时准确的统计学数据支持，为企业发展壮大提供很好的数据分析工具。而海量数据挖掘技术的出现，保证了海量数据信息的合理利用，同时加快了我国信息化技术的发展。
1 数据挖掘技术定义
数据挖掘技术起源于情报分析，其过程是一个从大量的、不完整的、有噪声的、模糊的随机数据被从隐含在大量数据中提取的过程，数据挖掘的情报资料是人们事先不知道的，但可能是有用的信息和知识。在大多数情况下，人们利用计算机等信息工具的时候只知道，存储数据，数据被存储的越来越多，但不知道这些海量数据中隐藏着很多重要的规律、规则等信息，数据挖掘技术就是一种可以从大量的数据中挖掘出有用重要信息的一种数据分析工具。如图1所示。
2 数据挖掘常用的方法
数据统计分析中的数据挖掘技术主要有以下方法：分类法、回归分析法、聚类法、关联规则法、特征法、变化和偏差分析法、Web页挖掘等相关方法，这些方法从不同的角度对数据进行挖掘分析，得出需要的信息数据。
3 统计分析和数据挖掘的主要区别
从实践应用的角度来看，这个问题并没有很大的意义，正如“不管白猫还是黑猫，抓住老鼠才是好猫”一样，在实际的应用中，数据分析师分析问题时，首先要考虑的是思路，其次才会对与思路匹配的分析挖掘技术惊醒筛选，而不是优先考虑到底是用统计分析方法还是利用数据挖掘技术来解决这个问题。
统计分析和数据挖掘的主要的区别在以下几个方面：
统计分析在预测中应用常表现为一个或一组函数关系式，而数据挖掘在预测应用中的重点在于预测结果，很多时候并不会从结果中产生明确的函数关系式，有时候甚至不知道到底哪些变量在起作用，又是如何起作用的。最经典的例子就是“神经网络”挖掘技术，它里面的隐藏层就是一个黑箱，没有人能在所有的情况下读懂里面的非线性函数是如何对自变量进行组合的，在实践应用中，这种情况常会让习惯统计分析公式的分析师感到困惑，这也确实影响了模型在实践应用中的课理解性和可接受度。
统计分析的基础之一就是概率论，在对数据进行统计时，分析人员常常需要对数据分布和变量之间的关系进行假设，确定用什么概率函数来描述变量之间的关系，以及如何检验参数的统计显著性;但是数据挖掘的应用中，分析人员不需要对数据分布做任何假设，数据挖掘中的算法会自动寻找变量间的关系，因此，相对于海量、杂乱的数据，数据挖掘技术有明显的应用优势。
在实践应用中，统计分析常常需要分析人员先做假设或判断，然后利用数据分析技术来验证该假设的正误。但是，在数据挖掘中，分析人员并不需要对数据的内在关系做任何假设，而是会让挖掘工具中的算法自动去寻找数据中隐藏的关系或规律。
两者的思维方式并不相同，这给数据挖掘带来了更灵活、更宽广的思路和舞台。
4 数据挖掘的一般流程
海量数据挖掘技术指的是把海量数据信息有针对性地进行提炼、分类和整理，从而将隐含在最深层次的信息挖掘出，为各行业发展提供可靠的数据信息支持。换言之，海量数据挖掘技术利用当前最先进的数据分析工具从海量数据信息内部挖掘数据信息以及模型间的关系的一种技术统称，更加深入的认识与了解数据模型，并对各自模型件关系的对应关系予以深入分析，从而更好地指导各行业的生产与发展，同时为其提供更多决策性的技术支持。
事实上，数据挖掘过程不能够自动生成，必须通过人工建模来实现，因此，人需要完成大部分的工作。其中，主要包含数据采集、数据预处理、数据选择、建立挖掘模型及评估模型等。
首先，通常海量数据挖掘技术应用在各行业的生产和发展决策方面，也就是说数据挖掘工作将面临着巨大的数据信息，并且此类数据信息多数为模糊的、无规律的;其次，建立高效、易理解的数据模型有助于实现海量数据挖掘;再次，数据挖掘模型的构建主要目的是帮助用户解决实际存在的问题，在经过对海量数据信息进行挖掘之后，从中找出利用价值高的信息，再对此类信息予以统计、整理和分析，最终用于指导各行业的生产与发展;最后，开展数据挖掘工作主要是为从海量数据信息里找出有价值的数据信息，这并不是单纯的数学性研究，其根本目的是从各行业的海量数据信息中找出有价值的数据信息，它具有相应的约束条件，且面向的是针对性较强的数据挖掘模型。
数据挖掘的一般流程如图2所示。
5 数据挖掘技术实现
现如今，尽管海量数据挖掘属于一种新技术，但由于该技术发展速度较快，因此，已被广泛应用到计算机发展领域当中。近年来，由于数据挖掘理论的逐步趋于完善化，并且在实践中取得了较好成效。其中，最常用的海量数据挖掘技术主要包含以下几种：决策树、神经网络以及统计学模糊。
①决策树算法通常应用到分析分类问题当中，同时它也是分类与预测的一主要技术。其中，类别属于因变量，而决策树可从众多预测变量当中，再相关理论的指导下，预测变量的发展趋势及变化关系，同时可对其进行双向分析，即包含正向分析和反推分析，根据最终的结果去寻找问题的原因。
②神经网络的建立。事实上，人工神经网络法指的是模拟人脑神经元结构的一种算法。其中，改善神经网络算法的关键在于知识的表达与获取。神经网络可实现并行处理，这是因为神经网络应用的是自适应函数估计器，因此，它的学习能力是极强的，在短时间内能学会新知识，同时它的纠错能力与适应性也是非常可观的。
③统计学模糊学习。该方法属于一种预测法，常被应用到谈及机器学习规律当中，而且只可应用到小样本情形中。另外，该方法是对观测数据进行深入的研究，通过对原理的分析，找出其中不予通用的规律。再结合已找出的规律进行更深层次的分析与探究，再结合实践中存在的现象予以预测，这样可提前预测出数据的发展趋势。
6 数据挖掘的应用
目前数据挖掘的应用领域主要包括以下这些方面：
金融、医疗保健、市场业、零售业、制造业、司法、工程和科学、保险业、网络舆情监控系统、企业竞争情报系统、全文检索、企业搜索、数据分析、数据库，可以用在各个需要数据分析的行业。
6.1 生物科技
在生物科技领域，如人的大脑与机器这一层面上，利用数据挖掘技术可加速发展生化义肢这一产品，很多这方面的专家学者普遍认为利用数据挖掘技术快速发展生化义肢这方面是大有潜力可供挖掘的。
6.2 信息科技
数位权利管理愈来愈受重视，以便保护知识财产，由全录公司Palo Alto研究中心创出的Content Guard公司，利用加密技术保护知识财产。
6.3 商务智能
数据挖掘技术可以用来支持广泛的商务智能应用，如顾客分析、定向营销、工作流管理、商店分布和欺诈检测等。数据挖掘还能帮助零售商回答一些重要的商务问题，如“谁是最有价值的顾客?”“什么产品可以交叉销售或提升销售?”“公司明年的收入前景如何?”这些问题催生了一种新的数据分析技术——关联分析。如图3所示。
6.4 资料发掘与生物测定学
数据挖掘是利用数学演算法，在庞大的资料库中寻找方式，例如目前应用在掌纹、脸孔等图像辨识，或者是语言辨识处理等方面。
6.5 塑料芯片
塑料芯片是最新的前沿科学，塑料以其价格便宜、容易制造等特点被很多科研机构以及大学所青睐。很多大学科学家及机构在利用数据挖掘技术致力于研究塑料代替硅半导体，如IBM公司、朗讯科技、麻省理工大学、剑桥大学、Penn State大学都在大量研究与开发塑料或有机物质芯片。
6.6 微光学技术
专家利用可反射光线的水晶、玻璃等物质，让光纤传输资料的速度，不会因为通过路由器、交换器时而降低速度。
6.7 司法
在司法领域，数据挖掘技术分析的对象一般分为两大类：一类是基于监控对象的系统，它能够帮助分析专家跟踪某个犯罪嫌疑人;另一类是基于行为模式的系统，它可以在多种活动方式中搜寻可疑的可能涉及犯罪的行为，或者可能是犯罪分子才会产生的行为。基于监控对象的数据挖掘技术又称作关联分析法，是司法机构重点开发的技术。这种方法能利用相关数据，在表面上没有关系的人或事件之间建立关联。比如，如果某人是犯罪嫌疑人，那么就可以使用关联软件发现嫌疑人可能正在影响的其他人，从相关人那里获取破案线索。
6.8 微应用流体学
科学家正试图利用物理原则做实验，只利用极微量的水，加快原本需要费时费金钱的实验。加州理工学院的应用物理学家Stephen Quake，以微应用流体学发展了一套DNA分析装置，比传统的分析装置快。Technology Review的编辑指出，微应用流体学将为生物科技提供巨大的帮助，就像当初电晶体提高了电子产品。
7 案例分析
基于统计分析的数据挖掘在工程造价管理中的实例应用分析，在工程造价管理系统中，可通过选择工程单方造价指标、造价核减率、竣工结算价、工程结构形式、招标方式、竣工结算审核单位、竣工结算日期等因素等进行数据筛选，通过后台数据库统计分析后选出符合目标值的数据类型。
比如，选取出2010年1-7月某市市区竣工结算审定价超过100万元的工程计三十二项。其中，六层以下砖混结构住宅楼七项，六层以下框架混凝土结构住宅楼六项，十八层框剪住宅楼两项，框架综合楼五项，框架厂房三项，内装饰工程五项，外装饰工程两项，普通沥青路两项。
经过对建设成本的测算可以清楚，六层及以下的砖混结构住宅楼平均单方造价为801.65元/m2，六层以下框架住宅楼平均单方造价为941.39元/m2，十八层框剪住宅楼平均单方造价为1080.37元/m2，框架综合楼平均单方造价为1326.36元/m2，框架厂房平均单方造价为852.70元/m2，内装平均单方造价为24.58元/m2，外装平均单方造价为824.94元/m2，普通沥青路平均单方造价为354.55元/m2。
此市市区2010年1-7月竣工工程单方造价指标如上所示的典型工程造价指标信息，是此市定期的，具有代表性、以审定的工程结算为主的住宅(含经济适用房或廉租房)、公共建筑、市政道路等工程造价实例信息，它为社会和造价管理机构提供可参考的、较详细的实际工程造价经济指标和消耗量指标信息。
总的来说，数据分析处理，可以简单快捷地从繁重冗杂的工程造价数据中找出共性或者异性的数据。有效加强了工程造价的全过程动态管理，强化了工程造价的约束机制，为维护有关各方的经济利益，规范价格行为，促进微观效益和宏观效益的统一提供广阔的平台。
8 结束语
数据挖掘技术的广泛应用彻底解决了海量数据快速处理问题，然而人们对数据挖掘技术的需求水平也越来越高。它可以预测未来的发展趋势，所以今后研究焦点可能会集中到处理非数字数据;寻求数据挖掘过程中的可视化方法，便于在知识发现过程中的人机交互，使计算机真正实现智能化。这可能需要一段时间，需要计算机工作者的不断的研究探索，不久的将来我们将看到数据挖掘据技术很大的进展。
[关键词]数据挖掘数据挖掘方法
随着信息技术迅速发展，数据库的规模不断扩大，产生了大量的数据。但大量的数据往往无法辨别隐藏在其中的能对决策提供支持的信息，而传统的查询、报表工具无法满足挖掘这些信息的需求。因此，需要一种新的数据分析技术处理大量数据，并从中抽取有价值的潜在知识，数据挖掘（DataMining）技术由此应运而生。
一、数据挖掘的定义
数据挖掘是指从数据集合中自动抽取隐藏在数据中的那些有用信息的非平凡过程，这些信息的表现形式为：规则、概念、规律及模式等。它可帮助决策者分析历史数据及当前数据，并从中发现隐藏的关系和模式，进而预测未来可能发生的行为。数据挖掘的过程也叫知识发现的过程。
二、数据挖掘的方法
1.统计方法。传统的统计学为数据挖掘提供了许多判别和回归分析方法，常用的有贝叶斯推理、回归分析、方差分析等技术。贝叶斯推理是在知道新的信息后修正数据集概率分布的基本工具，处理数据挖掘中的分类问题，回归分析用来找到一个输入变量和输出变量关系的最佳模型，在回归分析中有用来描述一个变量的变化趋势和别的变量值的关系的线性回归，还有用来为某些事件发生的概率建模为预测变量集的对数回归、统计方法中的方差分析一般用于分析估计回归直线的性能和自变量对最终回归的影响，是许多挖掘应用中有力的工具之一。
2.关联规则。关联规则是一种简单，实用的分析规则，它描述了一个事物中某些属性同时出现的规律和模式，是数据挖掘中最成熟的主要技术之一。关联规则在数据挖掘领域应用很广泛适合于在大型数据集中发现数据之间的有意义关系，原因之一是它不受只选择一个因变量的限制。大多数关联规则挖掘算法能够无遗漏发现隐藏在所挖掘数据中的所有关联关系，但是，并不是所有通过关联得到的属性之间的关系都有实际应用价值，要对这些规则要进行有效的评价，筛选有意义的关联规则。
3.聚类分析。聚类分析是根据所选样本间关联的标准将其划分成几个组，同组内的样本具有较高的相似度，不同组的则相异，常用的技术有分裂算法，凝聚算法，划分聚类和增量聚类。聚类方法适合于探讨样本间的内部关系，从而对样本结构做出合理的评价，此外，聚类分析还用于对孤立点的检测。并非由聚类分析算法得到的类对决策都有效，在运用某一个算法之前，一般要先对数据的聚类趋势进行检验。
4.决策树方法。决策树学习是一种通过逼近离散值目标函数的方法，通过把实例从根结点排列到某个叶子结点来分类实例，叶子结点即为实例所属的分类。树上的每个结点说明了对实例的某个属性的测试，该结点的每一个后继分支对应于该属性的一个可能值，分类实例的方法是从这棵树的根结点开始，测试这个结点指定的属性，然后按照给定实例的该属性值对应的树枝向下移动。决策树方法是要应用于数据挖掘的分类方面。
5.神经网络。神经网络建立在自学习的数学模型基础之上，能够对大量复杂的数据进行分析，并可以完成对人脑或其他计算机来说极为复杂的模式抽取及趋势分析，神经网络既可以表现为有指导的学习也可以是无指导聚类，无论哪种，输入到神经网络中的值都是数值型的。人工神经元网络模拟人脑神经元结构，建立三大类多种神经元网络，具有非线形映射特性、信息的分布存储、并行处理和全局集体的作用、高度的自学习、自组织和自适应能力的种种优点。
6.遗传算法。遗传算法是一种受生物进化启发的学习方法，通过变异和重组当前己知的最好假设来生成后续的假设。每一步，通过使用目前适应性最高的假设的后代替代群体的某个部分，来更新当前群体的一组假设，来实现各个个体的适应性的提高。遗传算法由三个基本过程组成:繁殖(选择)是从一个旧种群(父代)选出生命力强的个体，产生新种群(后代)的过程；交叉〔重组)选择两个不同个体〔染色体)的部分(基因)进行交换，形成新个体的过程；变异(突变)是对某些个体的某些基因进行变异的过程。在数据挖掘中，可以被用作评估其他算法的适合度。
7.粗糙集。粗糙集能够在缺少关于数据先验知识的情况下，只以考察数据的分类能力为基础，解决模糊或不确定数据的分析和处理问题。粗糙集用于从数据库中发现分类规则的基本思想是将数据库中的属性分为条件属性和结论属性，对数据库中的元组根据各个属性不同的属性值分成相应的子集，然后对条件属性划分的子集与结论属性划分的子集之间上下近似关系生成判定规则。所有相似对象的集合称为初等集合，形成知识的基本成分。任何初等集合的并集称为精确集，否则，一个集合就是粗糙的(不精确的)。每个粗糙集都具有边界元素，也就是那些既不能确定为集合元素，也不能确定为集合补集元素的元素。粗糙集理论可以应用于数据挖掘中的分类、发现不准确数据或噪声数据内在的结构联系。
8.支持向量机。支持向量机(SVM)是在统计学习理论的基础上发展出来的一种新的机器学习方法。它基于结构风险最小化原则上的，尽量提高学习机的泛化能力，具有良好的推广性能和较好的分类精确性，能有效的解决过学习问题，现已成为训练多层感知器、RBF神经网络和多项式神经元网络的替代性方法。另外，支持向量机算法是一个凸优化问题，局部最优解一定是全局最优解，这些特点都是包括神经元网络在内的其他算法所不能及的。支持向量机可以应用于数据挖掘的分类、回归、对未知事物的探索等方面。
事实上，任何一种挖掘工具往往是根据具体问题来选择合适挖掘方法，很难说哪种方法好，那种方法劣，而是视具体问题而定。
三、结束语
目前，数据挖掘技术虽然得到了一定程度的应用，并取得了显著成效，但仍存在着许多尚未解决的问题。随着人们对数据挖掘技术的深人研究，数据挖掘技术必将在更加广泛的领域得到应用，并取得更加显著的效果。
关键词 数据挖掘技术 警务系统 数据分析 应用
中图分类号：TP311 文献标识码：A
1数据挖掘技术在警务数据分析系统中的重要性
警务系统由于工作的特点，要不断地接受外来数据和有序存储旧数据，这就对警务系统的数据处理系统有越来越高的要求，传统的警务数据处理系统在信息量巨大的现今社会已经不能再有效的完善数据库的运行，这就需要新型的数据处理系统接替工作。新型的数据处理系统在案件的信息提取、视频分析等方面都应该有卓越的性能，将对案情有帮助的信息从大数据库中有效的提取出来。数据挖掘技术是一项在能够提高警务系统在数据的提取和挖掘效率的一项技术，能在短时间内将案件中的数据作为数据源，将其进行分析和建模，从而从这些数据中获得有力的线索。
2目前警务系统特点
现今的警务系统是跟随时代不断发展的一个工作效率高、工作素质强的组织系统，有案件处理速度快、案件分析效率高的特点。这些特点，都需要警务系统中数据处理系统的有效应用，通过对数据的处理分析、检查对比得出较有价值的案件线索，从而提高效率。警务系统的正常运行离不开数据处理系统，而数据挖掘技术更是数据处理系统的重要组成部分，它确保了整个系统的运行速度，对案件的侦查有促进作用。
3构建警务系统数据存储器
基于警务系统的数据特点，警务系统应该建立一个高速运行的警务系统数据存储器。“数据存储器”在结构上分为三个部分，分别是关系系统、OLAP服务器以及客户处理系统。这三个部分的作用效果如下：
3.1关系系统
关系系统是这三个组成部分的基础部分，这个系统负责对系统中的数据进行整理和提取、刷新，将数据在整个系统中的存储位置有序的排列好，防止数据丢失和数据残缺的现象发生。关系系统在运行的过程中通过警务系统不断的收集新的信息，将其整理保存，始终将数据系统中的有效信息得到较完好的保护。
3.2 OLAP服务器
OLAP是联机处理的缩写，是将多角度的信息共享并由一个关键的出发点而联机进行数据处理分析的一个软件技术，在警务系统中可将需要处理的信息进行联机处理分析，将信息较快的处理出来，得到有效的结论。
3.3客户处理系统
客户处理系统是将数据进行分析处理以及检索和报告的一个系统，通过对数据之间的联系将数据的信息整理和挖掘出来，形成有用的线索，供警务系统人员进行案件的侦破和处理，是数据存储器的重要部分，特别是数据挖掘技术的应用时整个系统的运作重心。
4数据挖掘技术
数据挖掘技术是将数据库中的数据进行采集、集成以及分析的一项技术，其应用到警务系统中可以对案件相关信息进行检索和分析，应用了多维数据分析处理及关联规则的应用、聚类分析方法的实际处理等数据挖掘分析处理模式将警务系统中的数据有效的联系起来，形成一个较为完整的数据挖掘模式。
在挖掘出境数据时，数据挖掘技术的决策树技术有效应用，与县赢得算法技术相互应，将数据较为完整的从警务系统中巨大的信息库中挖掘出来，实现了数据挖掘的分级处理模式的有效应用。
5数据挖掘技术在现代警务系统中的应用
在警务系统中，数据挖掘系统在案件的相关数据中整理生成了一个多维数据模型，使信息可视化、将案件信息的关系更加清楚的展现在警务系统的工作人员面前，通过多角度、多方面的分析和挖掘，将系统中的有用信息全部呈现在报告中，实现了信息的有效用。
6结语
警务系统中的信息有多样化、复杂化、信息量巨大的特点，使用传统的数据库是不能按照现代的社会发展速度生存的，对数据进行高效的分析处理和采集，是现代警务数据处理系统应该具有的一项特点。在数据处理速度快的前提下，数据处理系统的管理能力和联系能力也应该是突出的，本文中提到的数据挖掘技术就是解决数据处理问题的有效解决办法，其运行通过对数据的建模、分析、采集等手段强化了数据处理系统的能力，为警务系统中案件处理效率的提升做出了一定的贡献。目前社会的高速发展离不开大数据的支持，大数据时代对数据的处理系统要求越来越高，数据挖掘技术近些年在警务信息系统中的引用为警务系统的发展提供了技术上的有效支持，警务系统未来的发展肯定也离不开数据的有效处理工作，数据挖掘系统在未来的警务数据分析系统中也会有不断地改善和提高。
参考文献
[1] 刘敏，朱鹏，方有轩.面向市场分析人员的经分模型库的设计与实现[J].电脑与电信，2016（09） .
关键词：计算机；数据库技术；应用；措施
一、引言
随着社会的不断进步和发展，人们生活和生产过程中需要分析、处理的数据量急剧增长，而传统的数据管理方式已不能满足现阶段数据管理的需求。在计算机技术、通讯技术以及信息技术的支撑下，计算机数据库技术得以应用。计算机数据库技术可以解决人工数据管理中的不足，如加快统计、分析、处理速度，避免出现人为疏忽问题等等。就目前来说，计算机数据库技术的应用范围越来越广泛，其不但降低了人力、物力，而且在极大程度上保证的数据的准确性，尤其是对一些大型企业而言，这对其经济效益的实现是至关重要的。基于此，对计算机数据库技术的应用进行分析也就具有极为重要的意义。
二、计算机数据库技术的特点
所谓的计算机数据库技术是指通过有效整理用户接收的数据，并按照规定的方式对数据进行管理和储存，实现数据库中的数据与其它程序科学结合的技术。就目前而言，计算机数据库技术主要涉及网络数据应用系统和网络信息系统两个方面，包含了管理、接收以及系统处理三个研究阶段。计算机数据库技术作为当前数据管理中最为流行且重要的技术之一，它为通讯、文化以及经济等多个领域带来了便利，提高了这些领域的工作效率。当然，计算机数据库技术之所以能够实现上述功能也是基于其自身特点的。总的来说，计算机数据库技术主要具有以下特点：（1）共享性：共享性是计算机数据库技术的亮点之一，它也是计算机数据库建立的主要目的。计算机数据库共享性的实现可以实现部门内、企业内，甚至是全球范围内的数据共享，这使得数据得到最为充分的应用。（2）独立性：计算机数据库技术的独立性包含物理独立性和逻辑独立性两个方面。独立性的实现可以改变数据的储存位置、储存方法以及储存设备。（3）灵活性：数据管理不是单纯的数据储存和取出，同样还包含数据筛选、整理等功能。灵活性的实现可以方便数据的查询、编辑、输入，从而使数据的利用效率得以提高。（4）可控性：随着数据量的急剧增加，经常会出现数据冗余等现象。而可控性的实现可以删除冗余数据，从而提高数据利用效率。（5）组织性：组织性是说计算机数据库技术中的数据储存是有规律的，可以在数据之间形成一定的关联性和组织结构。组织性的实现便于数据的查询以及筛选。
三、计算机数据库技术的应用现状
随着计算机数据库技术的发展和成熟，计算机数据库技术的应用范围和领域也在逐渐扩展。按照领域来划分，计算机数据库技术主要应用在海河流域、统计与地质数据库系统生态环境以及地方志等。在这些领域的应用中计算机数据库技术的应用现状主要表现在以下几个方面：（1）应用范围。随着计算机技术、通讯技术以及信息技术的发展，计算机数据库技术的生命力更加强大，应用前景也更加广阔。其涉及的领域可以说包含了农林牧副渔等行业。而随着各行各业中信息管理水平及效率的提高，各行各业中的计算机数据库应用也开始在更大程度上推动了各行各业生产力的发展。总的来说，计算机数据库技术的应用在各行各业中均展现了优越的应用优势，得到了各行各业的广泛认可。（2）发展趋势。计算机数据库技术的应用效果可以通过实际情况得以反映，因此实际效果直接决定了计算机数据库技术的发展和应用。总的来说，计算机数据库技术的发展和应用经历了四个主要阶段即网状数据库阶段、层次数据库阶段、关系数据库阶段以及面向对象数据库阶段。经过四个阶段的演变，计算机数据技术已经基本成熟，其可控性、可操作性以及适应性均得以加强。就目前而言关系数据库和面向对象的数据库应用最为广泛。而随着计算机数据库技术的不断发展，未来阶段计算机数据库技术将会增加声音、影像等数据的管理。借助计算机数据库技术直接对这些数据进行操作也将是计算机数据库技术的未来方向。（3）安全性能。计算机数据技术在数据管理的过程中要以保障数据的安全为基础，尤其是对于一些隐私性的信息。随着计算机数据库技术的发展，数据的安全逐渐引起了领导管理人员的重视，为了确保计算机数据库技术的安全使用，计算机数据库系统增加了数据备份和恢复功能，这将有效解决数据丢失带来的损失。而且随着计算机数据库技术与加密技术的有效结合，计算机数据库中的信息得到了有效保护。此外，提高计算机数据库技术安全性能的措施还有抗风险软件的使用、账号加密等等。
四、加强计算机数据库技术应用的措施
就目前而言，计算机数据库技术已经得到较好的应用，但随着数据量的急剧增加，计算计数据库技术还需要不断的完善和发展。首先来说，还应以提高计算机数据库技术的安全性能为工作重心。在计算机数据技术的应用过程中越来越多的商业机密被储存在计算机数据库中，而近年来网络诈骗、木马病毒又层出不穷，这使得现有的计算机数据库技术安全措施将不能满足未来阶段的需要。因此需要采取一定的措施保障计算机数据库技术的安全，如增强数据管理人员的安全意识、完善安全管理措施、规范计算机数据库技术的操作流程、加强安全软件的研发和应用等等。其次，还要注重技术理论与的实践结合，计算机数据库技术的理论与实践应是相辅相成的，因此在理论研发的过程中应充分考虑实践中的实用性、可靠性和安全性。此外，还要加强数据的完整性，在数据录入的过程中应尽可能的借助客户端来完成，从而避免数据的非法劫持，保障数据的完整性；同时，还可以对计算机数据的的表或是触发器进行约束，这样将提高系统的可靠性、运行效率以及保障数据的完整性。
［关键词］大数据；互联网+；农业；智能灌溉
引言
随着科技的日益进步，计算机的相关技术被引用到各个领域。智能灌溉系统是融合传感器技术、自动控制技术、计算机技术、无线通信技术与移动终端控制等多种高新技术，自动采集光照、温度、土壤水分、空气湿度等信息，通过无线通信技术传输给信息管理系统，自动控制喷水灌溉、通风除湿等设备，从而调节环境参数。智能灌溉系统应用大数据策略，在云服务平台进行数据分析处理，以关联图表显示历史记录，为农业专家提供决策支持，同时获取国家气象局天气预报信息，根据天气状况和作物需要智能调节喷水灌溉策略，调整用水量，实施精准灌溉，提高水资源利用率。智能灌溉系统支持多种应用场景如智能花园、温室大棚、高尔夫球场等，提供Web版、桌面版、移动终端3种管理系统供用户使用，使其随时随地操作管理。智能灌溉系统采用WiFi技术实现远程无线通信，采用Zigbee技术构建底层无线传感网，节能低耗，能够根据应用场景规模灵活增加无线节点模块，不会因为监测点过多而使布线复杂，降低系统维护运营成本。
1职能灌溉系统总体结构
系统总体结构如图1所示。系统实验室模型及部分实物操作界面如图2所示。
2智能灌溉系统功能模块简介
本系统根据物联网三层体系结构设计，功能模块划分及其主要设计内容如下表1所示。
3智能灌溉系统简易操作说明
下面主要说明桌面版管理系统、Web版管理系统、移动终端版管理系统的操作使用方法。3.1桌面版管理系统桌面版管理系统主要功能模块有：操作控制模块、数据与命令查看模块。其中，操作控制模块的功能如下：这部分提供了实时场景的选择，区域实时数据的显示，区域手动操作和自动控制的设置。可以通过输入服务器地址，进行场景的选择，然后对该场景下的区域进行手动控制，实时控制底层终端控制设备，也可以开启自动控制，输入要自动控制的参数范围，系统会根据输入的控制参数，进行自动控制。3.2Web版管理系统3.2.1登录界面系统的开始页面，界面简洁友好。只有获取权限才能进入控制系统。3.2.2首页这部分主要是显示项目的一些图片，页面下方是项目的介绍。3.2.3监控中心这是本程序的核心部分，在这个页面中，能够通过仪器表查看到当前的数据，并提供了天气预报，能够根据需要设置自动控制的外界条件，或是进行人工的操作处理。上述界面中，上面部分是最近一次采集到的数据，以仪器表的形式生动地展示出来，左下角是自动控制时的温湿度，光照强度的控制范围，在这里输入要控制的范围后，系统会根据用户输入的范围自动调控。右下角是系统的自动控制区域，在这里用户可以进行手动控制。3.2.4数据分析查看将历史记录以关联图表的形式展示出来，一目了然，为农业专家进行数据分析提供决策支持，最终确定适于作物生长的控制策略。3.2.5操作记录将用户的操作即自动操作记录下来，便于查看。3.2.6退出程序退出后，系统的工作模式不变，保持原状。点击退出后，登录状态被重置，并跳转到登录页面。3.3移动终端管理软件3.3.1登录部分这个是手机端的登录界面，简洁明了，选择联网模式，输入账号密码以及当前的服务器地址即可登录，可以选择保存密码，方便下次登录。3.3.2数据查看中心选择当前环境模式和区域，即可查看当前的实时数据。3.3.3控制中心选择当前的场景模式和区域，就可以对该区域进行控制，可以根据需要输入环境参数，设置自动控制的范围，也可直接进行手动控制。
4结语
1计算机大数据分析中云计算技术作用分析
云计算技术可以给提供计算机数据传递与共享的条件，融合软硬件数据保存，促进计算机处理工作更好的开展。云计算技术可以给用户提供良好的网络环境与保存空间，处理数据传递环节的各项问题。与传统大数据分析技术相比，云计算计算可以提高大数据分析质量。人们借助云计算技术获得云终端的数据，切实满足人们对于数据的需求。现阶段计算机市场形成完善的结构体系，围绕云计算技术推动计算机大数据分析工作的开展，奠定后期云计算技术发展的基础。目前，人们生活中全面运用云计算技术，基于云计算技术研发的服务器及操作系统方便人们处理各类信息技术。同时，云计算技术数据保存有着较强的安全性，极小可能出现数据丢失情况，满足人们的实际需求，直接体现出云计算技术的优势。优化云计算环境下计算机的数据处理中心，就可以不断提升计算机的云计算能力，让云计算不仅为网络信息所用，还在计算机网络安全中发挥极为重要的作用。目前，计算机的使用人群更为注重的是在高速发达的信息社会，自己的信息，也就是使用计算机网络的安全性能是否能得到保障，这时候考验的就是云计系统的完善性。目前存在的最主要计算机安全问题就是黑客问题和系统漏洞问题。系统漏洞这一人为因素可以通过不断检索进行漏洞的发现和修补，面对黑客的攻击，能够做的就是防患于未然，不断地升级和优化系统，最终达到完善的数据处理效果。
2云计算技术下计算机大数据分析面临的问题
2.1网络技术安全
由于相关技术的不断发展，云计算环境下的网络安全技术正在朝着稳定和成熟的方向发展，但在具体的应用过程中依然表现出一定的网络安全问题，因此用户在使用过程中应该做好相关的应对工作。网络安全问题具体表现在用户在使用信息传输的过程中，一旦出现服务性中断问题，难以保证数据的安全性，启动被动保护模式的情况使信息的安全性更加难以保障，这也成为云计算模式下的网络技术安全中的重点问题，一旦得不到及时有效的解决，用户在使用过程中就会受到不同程度的威胁。
2.2网络环境安全
网络环境安全是保证网络正常使用，信息传输质量有保证的重要前提，一旦网络环境存在不安全因素，将会引发病毒的入侵和黑客的攻击。因此网络环境安全也是云计算技术价值得以发挥的重要前提。计算机在使用过程中如果长期受到病毒的困扰和黑客的威胁，将会降低人们对计算机的信赖性，甚至在工作和生活中将会在网络环境安全方面投入更多的成本。
3计算机大数据分析中云计算技术的具体应用
3.1数据传输安全分析
在云计算的作用下，云安全含义逐渐形成，具体来说，云安全主要指在用户借助云计算技术来实现计算机大数据分析时，让数据安全性得到了保证。用户端数据和数据安全往往呈现出正比关系，随着应用群体数量的增多，涉及的计算机数据范畴将不断扩充，假设计算机遭受病毒的攻击，可以在云计算技术的作用下实现病毒的拦截，以此让计算机数据安全性得到保证。从云计算技术自身角度来说，其提供的各个服务均是由IaaS基础设施级服务以及PaaS平台级服务两项内容构建而成。首先，IaaS基础设施级服务其作用在于，可以给用户提供对应的服务，也就是对各个计算机基础设备进行操作和应用，其中包含了CPU处理、数据保存、数据传递等。其次，PaaS平台级服务则是指，把云计算中各个服务器及开发环境当作服务，通过PaaS平台用户能够结合自身需求实现对应操作流程的部署和应用。
3.2监督数据资源共享
网络资源在传输过程中遭遇到的安全威胁是用户时时刻刻关注的问题，因此在具体的工作和管理中，需要提高云计算网络安全技术的应用程度，通过不断创新安全模式，完善相应的防护体系，从而有效消除安全性问题，提升数据传输的安全性和稳定性。具体在应用过程中，可以借助云计算技术的优势，对数据传输的整个路径进行监控，保证传输通道环境的安全性，一旦出现问题及时进行预警，有效预防黑客的攻击，降低网络安全事故发生的概率。对此，有关部门应该提高重视程度，同时完善相应的监督管理制度，采用科学的管理方式，实现预期的监测目标。
3.3提高数据使用安全
计算机用户本身的安全意识也是当前需要关注的重要方面，为了进一步提升用户数据信息和计算机系统的安全系数，需要重视身份认证工作的提升，具体可以使用实名制的方式进行认证处理，从而不断提升整个网络结构的安全性。对于网络应用过程中涉及到的安全问题，可以通过实名追踪的方式进行可疑目标锁定，从而有效控制恶意攻击情况的发生。但在应用过程中也需要重视假人名情况的出现，提高网络数据信息窃取的预防水平。计算机网络环境算是一种相对开放的环境，在使用过程中会面向大量的用户，通过重视用户的身份认证，可以有效避免用户对数据的非法访问。同时在使用者进行计算机登录和使用的时候，需要对用户名和密码进行核实。按照权限的不同，确保数据库信息的安全有效性。通过对数据库信息加密处理，可以确保数据库信息的安全性。这种加密处理可以在原有数据信息的基础上进行算法的处理改进，使用者可以通过自身的权限获取想要了解的信息，如果没有解密方式，不法分子将会难以获取数据的原始信息。
3.4网络安全等级防护
在云计算环境下的安全管理中心具备系统管理、安全管理和安全审计等功能，能够满足不同云计算环境下不同安全等级的保护要求，并且通过服务层的安全保护框架，实现对不同等级云服务客户端的安全保护，为使用者提供安全可靠的资源访问服务。在访问云服务商时，用户可通过通信网络、API接口和Web服务方式访问云服务器，但是用户终端系统的安全防护不在网络安全等级保护框架体系内。在保护框架体系内，资源层和服务层安全是云计算环境安全保护的重点，资源层包括物理资源安全和虚拟资源安全，应按照安全设计要求构建资源层安全保护框架。云计算环境下的网络安全等级保护要针对不同等级云计算平台确定不同的安全目标，一般情况下安全保护等级最低为二级，并根据安全目标和等级要求实施安全设计步骤，具体包括：第一步，根据云平台的租户数量和业务系统情况确定云计算安全保护标准，制定云计算平台的安全保护策略，以避免在云计算平台上发生安全事件；第二步，细化安全技术要求，针对安全计算环境、安全区域边界、安全通信网络以及安全管理中心制定出相应的安全保护策略；第三步，根据云计算功能框架中的各层功能和保护要求，制定安全技术机制，使其满足云计算功能框架的安全保护要求。在完成云计算环境下的网络安全等级保护设计之后，还应增加虚拟化安全、镜像安全、接口安全等安全控制点，并采用访问控制技术、身份识别技术等安全防护技术，实现与云计算平台上各功能层次的对接，提出各层的安全保护措施。
3.5重视相应程序开发
网络安全应用程序需要随着技术的进步和人们生活和工作的需要进行逐步提升，从而及时对病毒程序进行开发和处理，确保计算机系统可以敏锐捕捉到病毒的活动迹象，提升自身的防御能力。通常情况下，对于计算机的服务，内网隐蔽处理，可以提升网站平台的访问速度，可以避免不安全网址带来的不良效应，从而为计算机的安全防御提供一定的屏障。在计算机数据的使用中，由于安全性威胁导致的数据丢失问题，可以通过备份和恢复改善。这种恢复性功能也可以保证数据的一致性和完整性。通常由逻辑备份、动态备份以及静态备份等几种情况。计算机黑客数量增多，净化网络环境显然存在较大难度，但通过必要的防范措施依然可以在数据库信息的保护中起到关键作用。而使用防火墙保护工具就能很好的为计算机网络提供一种安全保障。通过防火墙，可以在一定程度上防止黑客的侵害。
