数据基因_数据的遗传信息载体

—7—数据基因:数据的遗传信息载体奚建清1，汤德佑1, 2，郭玉彬1（1. 华南理工大学计算机科学与工程学院，广州 510641；2. 湖南工业大学计算机系，株洲 412008）摘 要：基因是生命体进化过程中遗传信息的载体，该文参照生命体基因的概念，提出了用于描述数据生命历程的简单的数据基因模型。

给出了数据基因、数据基因序列、数据基因组等概念，介绍了这种模型的应用领域及应用方法，对下一步工作进行了展望。

关键词：数据基因；数据基因序列；数据基因组Data Gene: Genetic Information Carrier of DataXI Jianqing 1, TANG Deyou 1, 2, GUO Yubin 1(1. School of Computer Science & Engineering, South China University of Technology, Guangzhou 510641;2. Department of Computer, Hunan Polytechnic University, Zhuzhou 412008)【Abstract 】Gene is the genetic information carrier of life in its evolution. This paper presents a simple data gene model to describe the lifecycle of data according to the gene of life. The concepts of data gene, data gene sequence and data genomes are presented firstly. Then the paper gives the application areas and the application techniques of Data Gene Model. The future works are given finally. 【Key words 】Data gene ；Data gene sequence ；Data genome计 算 机 工 程Computer Engineering 第32卷 第17期Vol.32 № 17 2006年9月September 2006·博士论文·文章编号：1000—3428(2006)17—0007—03文献标识码：A中图分类号：TP3111概述在数据交换系统中，数据从最初的发布者到最后的消费者之间可能经过多个节点，经历数据复制、集成、清洗、变换等演变。

如何确定数据的来源、跟踪数据的去向、分析数据在其生命周期中的演化过程是一个重要的课题，即如何对数据的生命历程进行建模。

数据在其生命历程中的信息包括：数据的静态信息和数据的动态变化信息。

对数据的静态信息，通常使用元数据模型进行描述。

元数据是一些关于数据的数据，目前最有影响的元数据标准是DCMES(Dublin Core Metadata Element Set)，它对资源的描述由Title 、Identifier 、DataType 、Subject 、 Description 、Creator 、Publisher 、Contributor 、Dissemination 等元素项组成，其所指的信息资源是任何可被标识的信息，比较全面地涵盖了信息资源的静态特征。

然而元数据是一种平面结构，它只能描述数据生命历程中从某个点的角度看到的属性信息，而无法对数据从产生到消亡的过程进行全方位的建模。

时态数据模型在时间维上对数据的历史进行建模，是对数据历史信息的存储和利用研究的尝试，如：TXPath 模型[1]，GEM 模型[2,3]。

然而，时态数据模型仅从数据的变更时间上对数据进行建模，对查询如数据与其它数据源之间的关联等动态信息无能为力。

此外，侧重于异构数据源集成的数据模型[4]，以及根据不同数据源条件和数据源能力给出优化数据查询的数据存储模型[5]，这些数据模型都是对数据库中的数据模型进行了研究，但还没有针对数据经历描述方面做完整的研究。

生命体的遗传信息被记录在一系列的基因中，随着生命的进化而不断地遗传和变异。

本文参照有机体生命基因，首次提出数据基因、基因序列、数据基因组等概念，给出了描述数据生命历程的数据基因模型，对数据的属性和数据的生命历程进行了全方位的建模。

数据基因模型不同于元数据模型，也不同于所有的时态数据模型。

数据基因模型既反映数据的静态属性，又反映数据的动态属性。

利用数据基因模型，可方便地求解数据传播过程中的动态变化，如对数据的来源和去向进行跟踪，对数据在传播过程中的加工者进行跟踪，比较不同数据之间是否存在关联等。

2 数据基因模型2.1 基本概念定义1 基因片段(Data Gene Fragment)是一个二元组， 记为),(V A F =数据基因(Data Gene)是F 的正闭包++==),(V A F D即基因片段是一个“属性/值”对。

基因片段是数据基因中有意义的数据的最小单位，每个数据基因至少含有一个基因片断。

数据基因从“点”的角度描述了数据的生命历程，是数据或其某一个组成部分的生命历程的快照，从这一点上，单个的数据基因与元数据有类似的作用。

但数据基因的侧重点不同，数据基因既可描述数据的静态属性又可描述数据生命历程中所经历的某次操作的特性。

定义 2 描述数据整体信息的数据基因，称为主导基因，记为D a 。

主导基因在产生数据时产生，全面地描述新建数据的静态属性，其中属性包括数据ID 、数据来源(source)、创建者、基金项目：广东省科技攻关计划基金资助项目(G03B2040770)；广东省自然科学基金资助项目(B6480598)；湖南省自然科学基金资助项目(05JJ30122)作者简介：奚建清(1962—)，男，博士、教授、博导，主研方向：信息集成，数据库系统；汤德佑，博士生、讲师；郭玉彬，博士生 收稿日期：2005-11-29 E-mail ：tangdy1976@—8—权限等。

定义3 对同一数据进行描述的多个不同数据基因组成一个序列称为数据基因序列(Data Gene Sequence)，即+=D S基因序列从“线”的角度描述了数据的生命历程，是数据或某一组成部分的生命历程的连续描述。

定义 4 描述数据整体及对整体的每一次数据操作的数据基因形成的序列称为数据整体的主基因序列，记为m S 。

定义 5 数据的所有数据基因描述称为其数据基因组(Data Genome):DG X S X DG m =+=,*或NULL X =数据基因组是对数据生命历程全方位的描述，是从“面”的角度对数据生命历程的完整描述。

定义5中，X 称为子数据基因组，是对部分有来源数据的描述，其数据基因通常是直接继承于其来源数据的相关部分的数据基因。

定义6 不包含子数据基因组的数据基因组称为元数据基因组。

元数据基因组只含有一个主基因序列。

新生成的原创数据，其对应的数据基因组就是一个元数据基因组。

对复制来的数据，数据基因组中复制了来源数据的数据基因组中相关部分，相应的数据基因组包含子数据基因组。

从定义可知，数据基因组可表示为一棵有向树，其中基因序列作为叶子节点。

图1中的虚线所指列表是对每个数据基因的构造的说明是标题为Test 数据的数据基因图，DG 1表示整个数据基因组，S m1为其主基因序列；DG 2、DG 3是其中部分数据的数据基因组，S m2、S m3分别是DG 2、DG 3的主基因序列；DG 4是包含在DG 2中的一个子数据基因组，S m4为其主基因序列；各个基因序列中，D a 和D 分别表示数据基因。

图1中，主基因序列S m1包含3个数据基因，表明数据Test 除有自己原创的数据外，还于15日和16日分别从标识为002和003的数据中复制了数据。

而002数据是对004数据的全盘复制，003和004的数据则完全是原创的。

图1 数据基因、基因序列和数据基因组2.2 约束条件数据基因模型参照了生命体基因组中的一些概念，其中数据基因片段的概念对应生命体基因的概念，数据基因的基因序列对应生命染色体，数据基因组则与生命体基因组相对应。

但是二者实质上还是有很多的区别，下面给出数据基因模型中的一些约束条件。

2.2.1 结构约束(1)基因片段中的属性及其取值可参照DCMI 模型，但可依据应用环境添加属性。

(2)对数据基因组中的所有子数据基因组，任意两个子数据基因组之间是无序的。

(3)对任何数据，有且仅有一个主导基因。

(4)对任何数据，有且仅有一个主基因序列。

2.2.2 时间约束(1)每个数据基因都有一个反映操作时间的基因片段，其取值是操作的时间戳。

(2)主基因序列S m 中所有数据基因以其操作时间为序排列。

2.2.3 应用约束对数据基因组的不同维，在构造有向图进行性质分析时，依据语义约束给出具体的限制条件。

设identifier 为数据基因中标识数据的属性，source 为描述数据来源的属性，则在source 上构造有向图>=<E V G ,时可使用下列方法：(1)结点集V 是数据的集合。

边集E 构造如下： )}()(,{1221dg dg v v E source identifier ∏∈∏><=其中21,dgdg 分别是数据21,v v 的数据基因组。

E v v >∈<11,当且仅当数据v 1中存在非引用内容，即数据v 1中存在“原创性”内容。

(2)限定条件：有向图中可存在回路(说明数据之间存在互相引用关系)，对边加权记录两个顶点之间有向边的重数。

3 数据基因模型的应用数据基因体现了数据之间的关联，描述了数据的生命历程，可应用于一切需要了解数据关联性和数据生命历程的应用中。

下面给出几个主要的应用领域： 3.1 信息流跟踪所谓信息流跟踪就是确定信息的来源和去向，确保信息是可信的，信息的传播是合法的。

对于Web 数据，人们普遍使用的方法就是使用搜索引擎对给定的主题进行搜索。

由于各种Web 数据并没有包含相应的来源(存在链接的网页例外)，因此搜索的结果只能给使用者提供一个主观上的参考，而无法给出一个客观上的证据。

数据基因模型由于记录了数据的来源以及数据在传播过程中所经历的一切操作，因此可方便实现信息流跟踪。

图1描述的数据基因的source 表示数据的来源，对该属性建模可得出数据Test 的来源关系的有向图，如图2所示。

图2 Test 数据的来源从图2中可以看出，数据Test(001)与数据T1(002)和T2(003)存在直接继承关系，而与数据T11(004)存在间接继承关系。