游戲拍賣行系統(tǒng)畢業(yè)設(shè)計（論文）

1、大連交通大學(xué)信息工程學(xué)院畢業(yè)設(shè)計(論文)任務(wù)書題 目 游戲拍賣行系統(tǒng)任務(wù)及要求：1.設(shè)計（研究）內(nèi)容和要求任務(wù)：1、 調(diào)查游戲拍賣行系統(tǒng)當(dāng)前技術(shù)的發(fā)展近況，完成實習(xí)報告，字?jǐn)?shù)不少于3000，第三周交給指導(dǎo)老師。2、 結(jié)合自己實習(xí)情況安排進(jìn)度，填寫進(jìn)度計劃表，第二周完成后交給指導(dǎo)老師簽字，并嚴(yán)格執(zhí)行。3、 按照軟件工程思想，獨立完成系統(tǒng)的設(shè)計和程序開發(fā)，完成代碼估計2000行左右。4、 用jsp技術(shù)實現(xiàn)游戲拍賣行系統(tǒng)的功能。5、 程序簡潔，算法可行，運行情況良好。要求：1、 每周和指導(dǎo)老師至少見面溝通一次，回報課題進(jìn)展情況，接受老師詢問。2、 接到任務(wù)書后，查閱與題目及專業(yè)相關(guān)的外文資料進(jìn)行翻譯

2、，要求不少于10000個外文字符，譯出漢字不得少于3000，于第四周交給指導(dǎo)老師審閱。3、 畢業(yè)設(shè)計第13周完成畢業(yè)論文的裝訂，并由指導(dǎo)老師評閱。論文要求12000字以上，包括綜述、系統(tǒng)總體設(shè)計、系統(tǒng)實現(xiàn)、性能分析、結(jié)論等。4、 教學(xué)第13周通過中軟及教研室組織進(jìn)行軟件驗收，驗收時要提供軟件使用說明書。5、 于第13周提出畢業(yè)答辯申請并簽字。6、 第14 周答辯，要求制作ppt。2.原始依據(jù)通過大學(xué)幾年的學(xué)習(xí)，已經(jīng)學(xué)習(xí)了諸如軟件工程、數(shù)據(jù)庫原理及應(yīng)用、數(shù)據(jù)結(jié)構(gòu)、c+、visual basic、java等多門程序設(shè)計語言和網(wǎng)絡(luò)等基礎(chǔ)知識和專業(yè)知識，學(xué)生有能力而且可以獨立完成小中型項目的設(shè)計與開發(fā)

3、。學(xué)?，F(xiàn)有設(shè)備和環(huán)境可以提供給學(xué)生實習(xí)和上機，而且具有專業(yè)老師可以指導(dǎo)學(xué)生。3.參考文獻(xiàn)1 王誠梅.jsp案例開發(fā)集錦m.北京：電子工業(yè)出版社.20052 吳曉松.國際電子商務(wù)發(fā)展?fàn)顩r及我國應(yīng)對策略j.云南財貿(mào)學(xué)院學(xué)報.20013 軍征.閏眾.電子商務(wù)應(yīng)用與重構(gòu)案例分析m.北京：高等教育出版社.20034 唐有明.jsp動態(tài)網(wǎng)站開發(fā)基礎(chǔ)練習(xí).典型案例m.北京：清華大學(xué)出版社.20065 陳兵.網(wǎng)絡(luò)安全與電子商務(wù)m.北京:北京大學(xué)出版社.20026 池雅慶.jsp項目開發(fā)實踐m.北京：中國鐵道出版社.20067 黃明.jsp信息系統(tǒng)設(shè)計與開發(fā)實例m.上海：機械工業(yè)出版社.20048 薩師煊.王珊

4、.數(shù)據(jù)庫系統(tǒng)概論m.北京:高等教育出版社.20009 陳旭東.劉迪仁編著.jsp 2.0應(yīng)用教程m.北京:清華大學(xué)出版社.2006.6 10 葉乃沂.電子商務(wù)信息時代的管理與戰(zhàn)略m.上海：上海交通大學(xué)出版社.200211 juan lipson vuong.a semantics-based routing scheme for grid resource discoverym.e-science: first international conference on e-science and gridcomputing.200512 cay s .horstmann. gary cornel

5、l美.core java 2 volume 1 fundamentalsm.pearson .education.2005-01 指導(dǎo)教師簽字：專業(yè)(方向)負(fù)責(zé)人簽字： 2012年3月26日大連交通大學(xué)信息工程學(xué)院畢業(yè)設(shè)計(論文)進(jìn)度計劃與考核表學(xué)生姓名李青霖專業(yè)班級軟件工程08-1班指導(dǎo)教師常敬巖史原本課題其他人員題目游戲拍賣行系統(tǒng)日期計劃完成內(nèi)容完成情況指導(dǎo)老師檢查簽字第1周完成任務(wù)書、提交進(jìn)度表第2周完成調(diào)研報告、完成英文翻譯第3周進(jìn)行市場調(diào)查研究，需求分析第4周初步對系統(tǒng)進(jìn)行分析設(shè)計第5周系統(tǒng)詳細(xì)設(shè)計，進(jìn)行編碼第6周系統(tǒng)編碼實施、完成論文初稿第7周完成系統(tǒng)編碼，進(jìn)行調(diào)試第8周系調(diào)試統(tǒng)編

6、碼、提交論文初稿第9周完成系統(tǒng)編碼調(diào)試、完善畢業(yè)論文第10周完成撰寫畢業(yè)設(shè)計論文編寫及代碼測試第11周完成論文終稿、準(zhǔn)備畢業(yè)論文打印、裝訂第12周提交畢業(yè)論文終稿及代碼第13周提交畢業(yè)論文成果資料第14周畢業(yè)論文答辯指導(dǎo)教師簽字： 年月日注：“計劃完成內(nèi)容”由學(xué)生本人認(rèn)真填寫，其它由指導(dǎo)教師考核時填寫。大連交通大學(xué)信息工程學(xué)院畢業(yè)設(shè)計(論文)外文翻譯學(xué)生姓名 李青霖 專業(yè)班級 軟件工程08-1班 指導(dǎo)教師 常敬巖史原 職 稱 高工 講師 所在單位 信息科學(xué)系軟件工程教研室 教研室主任 劉瑞杰 完成日期 2012 年 4 月 13 日a clustering method to distribu

7、te a database on a gridsciencedirect:future generation computer systems 23 (2007) 9971002summary: clusters and grids of workstations provide available resources for data mining processes. to exploit these resources, new distributed algorithms are necessary, particularly concerning the way to distrib

8、ute data and to use this partition. we present a clustering algorithm dubbed progressive clustering that provides an “intelligent” distribution of data on grids. the usefulness of this algorithm is shown for several distributed datamining tasks.keywords: grid and parallel computings; data mining; cl

9、usteringintroductionknowledge discovery in databases, also called data mining, is a valuable engineering tool that serves to extract useful information from very large databases. this tool usually needs high computing capabilities that could be provided by parallelism and distribution. the work deve

10、loped here is part of the disdamin project that deals with data mining issues (as association rules, clustering, . . . ) using distributed computing. disdamins aim is to develop parallel and distributed solutions for data mining problems. it achieves two gains in execution times: gain from the use o

11、f parallelism and gain from decreased computation (by using an intelligent distribution of data and computation). in parallel and distributed environments such as grids or clusters, constraints inherent to the execution platform must be taken into account in algorithms. the non-existence of a centra

12、l memory forces us to distribute the database into fragments and to handle these fragments using parallelism. because of the high communication cost in this kind of environment, parallel computing must beas autonomous as possible to avoid costly communications (or at least synchronizations). however

13、, existing grid data mining projects (e.g. discovery net, gridminer, dmga 7, or knowledge grid 11) provide mechanisms for integration and deployment of classical algorithms on grid, but not new grid-specific algorithms. on the other hand the disdamin project intends to tackle data mining tasks consi

14、dering data mining specifics as well as grid computing specifics. for data mining problems, it is necessary to obtain an intelligent data partition, in order to compute more independent data fragments. the main problem is how to obtain this intelligent partition. for the association rules problem, f

15、or example, the main criterion for intelligent partition is that data rows within a fragment are as similar as possible (according to values for each attribute), while data rows between fragments are as dissimilar as possible. this criterion allows us to parallelize this problem which normally needs

16、 to access the whole database. it allows us to decrease complexity (see 2). as this distribution criterion appears similar to the objective of clustering algorithms, the partition could be produced by a clustering treatment. the usefulness of the intelligent partition obtained from clustering for th

17、e association rules problem has already been studied (see 2). clearly the clustering phase itself has to be distributed and needs to be fast in order not to slow down the global execution time. clustering methods will be described before introducing the distributed progressive clustering algorithm f

18、or execution on grid.fig. 1. kmeans and agglomerative clustering principle.clusteringclustering is the process of partitioning data into distinct groups (clusters) so that objects within a same cluster are similar, but dissimilar from objects in other clusters. distinct clustering methods could be s

19、eparated considering two kinds of leading principles: hierarchical methods and partitioning ones.hierarchical methods are composed of agglomerative ones (that initially consider a partition with clusters of a unique data instance and merge neighbouring clusters until a termination criterion is met)

20、and divisive ones (that initially consider a partition with one cluster which contains all data instances and cut clusters iteratively until termination). partitioning methods are composed by distance-based methods (as kmeans 8 for example), density-based methods or based on probabilities. other cri

21、teria permit us to distinguish between clustering methods (see 10); those methods based on membership degree of data instances to clusters (hard as cited before or fuzzy (see 4), and incremental methods for which data instances are considered when available instead of all at a time (see 5), method b

22、ased on neighbourhood search (k-nearest neighbours). . . . two well-known clustering algorithms are the partitioning kmeans (see 8) (which yields approximate results and has an acceptable time complexity), and agglomerative methods (see 12) (which yield relative good quality results, but are limited

23、 by time complexity).principle of kmeans: kmeans is an iterative algorithm that constructs an initial k-partition of data instances. an iterative relocation technique attempts to improve the partitioning by moving data from one group to another one until a termination criterion (see fig. 1, left par

24、t). kmeans will produce a local optimum result. principle of agglomerative clustering: hierarchical agglomerative clustering consists of a bottom-up approach to the problem that considers all data separately as clusters and merges two nearest clusters at each iteration until a termination condition

25、(see fig. 1, right part). this method uses a similarity measure matrix that makes the method unsuitable for huge datasets (because of the storage cost). parallel algorithms: the two previous methods need to access the whole database or to communicate between each iteration in order to obtain a corre

26、ct solution. parallel methods exist for kmeans (see 3) and agglomerative clustering .parallel versions also exist for other algorithms cited before (see 6). for parallel clustering to achieve the same quality clusters as under sequential clustering, a lot of communications is required. those methods

27、 are suited to supercomputers as cc-numa or smp, using a common memory and fast internal interconnection networks (parallel data miner for ibm-sp3 for example). the huge number of communications in existing parallel methods yields performance problems in the context of grids. the classical methods n

28、eed to be revisited to take into account the constraints of grid architectures (no common memory, slow communications). the distributed progressive clustering (dpc) method presented in the next section considers these constraints.fig. 2. database b and associated matrix v.progressive clusteringthe d

29、istributed progressive clustering method deals with attributes in an incremental manner (this differs from existing incremental methods that deal with increasing number of data instances instead of increasing number of attributes in dpc). the method is suitable for distributed execution using local

30、computation to construct global results without synchronization. dpc is inspired by the sequential clustering algorithm called clique (see 1) that consists in clustering data by projections in each dimension, and by identifying dense clusters of data projections. the method assumes that the whole da

31、tabase can be reached for projections. in the context of grid, it is assumed that the database is distributed by vertical splits (multibase). dpc works in a bottom up approach considering attributes of the database. it first computes clusters on vertical fragments containing few attributes and then

32、combines these clusters to obtain clusters in higher dimensions. both steps (i.e. the clustering of vertical fragments and the combination of these clusters) are executed in a distributed way benefiting from distributed execution. the distributed progressive clustering method is explained in the nex

33、t sections. three steps could be identified: initial clustering, crossing and merging optimizing steps.definitionsa database with m attributes and n rows (instances) is represented by b = (a, k, v), where: a = a1, a2, . . . am is a finite set of attributes; k = k1, k2, . . . kn is the set of keys of

34、 the database rows; v is the associated matrix1 (see fig. 2), with vi, j (where 1 _ i _ m and 1 _ j _ n) is the ith coordinate of the jth row. let u be a partition based on keys,2 such as u = u1, s . . . ,up, with ui = kl 2 k, i ui = k and ui uj = ;. let a be an attribute-partition, such as a = x1,

35、. . . , xq , with x j = ak 2 a, s j x j = a and x j xk = ;. let px be a projection of database b on an attribute-subset x (x 2 a). given x = ak . . . ar , the associated matrix to px has n rows and q columns (a row for each instance of b and a column for each attribute aj of x). the jth column of px

36、 is associated to the jth column of b (see fig. 3). given an instance partition u (p elements) of database b (m columns), (u, b) could be associated to a reduced matrix r (p, r matrix, see fig. 3). each row of r is associated to a subset of instances ui of b.from r (p, m matrix), it is possible to o

37、btain a matrix r0 (n, m), by duplicating, for each ui of r, the row in r associated to ui with cardinality of ui . it is also possible to obtain a matrix associated to the database b, by replacing, for each ui of r, the row in r associated to ui by rows associated to ui in b. replacing n rows of b b

38、y p rows in r permit to decrease size of data to treat. each row of r represents the mean of rows in b associated to ui . let rx be the reduced matrix associated to a projection px of b. given x a subset of attributes of database b from an attribute-partition a. m is the operation of projection defi

39、ned by m: b, x ! px .massociates the projection px of b to the subset x. px is obtain using a mask mx on matrix b. the mask mx is defined by a n, m matrix such as mxi j = 1, 8i, 8 j with aj 2 x and mxi j = 0, 8i, 8 j with aj 62 x. the operation of projectionm is then defined by:m(b, x) = mx t x = px

40、 . partition f. a partition of a database is a row partition of the associated matrix with computation of rows. this operation is achieved by the use of a classical clustering algorithm as a step of algorithm dpc. 網(wǎng)格上分布式數(shù)據(jù)庫的聚類方法sciencedirect:future generation computer systems 23 (2007) 9971002摘要：集群和

41、網(wǎng)格的工作站為數(shù)據(jù)挖掘過程提供可利用的資源。為了利用這些資源，新的分布式算法是必要的，特別是涉及分配數(shù)據(jù)以及使用分區(qū)的方法。我們提出一個被稱為逐步聚類的聚類算法，它可以為網(wǎng)格中的數(shù)據(jù)提供一個“智能”分區(qū)。該算法的應(yīng)用顯示了分布式數(shù)據(jù)挖掘任務(wù)。關(guān)鍵詞：網(wǎng)格式和并行處理；數(shù)據(jù)挖掘；聚類導(dǎo)言 數(shù)據(jù)庫中的知識發(fā)現(xiàn)，也稱為數(shù)據(jù)挖掘，是一種寶貴的工程工具，可從非常大的數(shù)據(jù)庫提取有用的信息。此工具通常需要高計算能力，可以提供并行處理和分配。這里的開發(fā)工作是disdamin項目一部分，disdamin項目是利用分布式計算處理數(shù)據(jù)挖掘的問題（如關(guān)聯(lián)規(guī)則，聚類分析，）。disdamin的目的是為數(shù)據(jù)挖掘問題開發(fā)并

42、行和分布式方案。它在執(zhí)行時間方面實現(xiàn)了兩個成果：成果從并行的使用和減少計算來獲得（通過使用一種數(shù)據(jù)的智能分布和計算）。在并行和分布式環(huán)境，如網(wǎng)格或集群，限制固有的執(zhí)行平臺，必須考慮到的算法。中心記憶的不存在迫使我們分發(fā)數(shù)據(jù)到片段，并且利用并行來處理這些片段。由于在這樣的環(huán)境下的高通信成本，并行計算必須盡可能避免昂貴的通訊費（或至少是同步）。但是，現(xiàn)有的網(wǎng)格數(shù)據(jù)挖掘項目（如discovery net， gridminer，dmga7，或knowledge grid11）提供的機制，都是整合和部署經(jīng)典算法的網(wǎng)格，但不是新的網(wǎng)格的算法。另一方面，disdamin項目要處理的數(shù)據(jù)挖掘任務(wù)考慮數(shù)據(jù)挖掘細(xì)

43、節(jié)以及網(wǎng)格計算細(xì)節(jié)。數(shù)據(jù)挖掘的問題，獲取智能數(shù)據(jù)分區(qū)是必要的，以便計算更單獨的數(shù)據(jù)片段。其主要的問題是如何取得這個智能分區(qū)。對于關(guān)聯(lián)規(guī)則的問題，例如，智能分區(qū)的主要標(biāo)準(zhǔn)時每個片段的數(shù)據(jù)行是盡可能相似的（根據(jù)每個屬性的值），片段之間數(shù)據(jù)行是盡可能不同的。這一標(biāo)準(zhǔn)通常需要我們訪問整個數(shù)據(jù)庫來并行這個問題。它使我們能夠降低復(fù)雜性（見2）。由于分配的標(biāo)準(zhǔn)在目標(biāo)聚類算法表現(xiàn)得很相似，分區(qū)可產(chǎn)生的聚類待遇。從關(guān)聯(lián)規(guī)則問題方面的聚類獲得的智能分區(qū)的好處已經(jīng)進(jìn)行了研究（見2）。顯然，聚類階段本身已分發(fā)，而且需要快速進(jìn)行，為了不減慢全球執(zhí)行的時間。在網(wǎng)格上，聚類方法將在引入逐步分布聚類算法的執(zhí)行之前被描述。聚類

44、聚類是數(shù)據(jù)分割成不同的群體（集群）的過程，使同一集群的數(shù)據(jù)相似，但不同于其他集群。獨特的聚類方法可以根據(jù)兩種主要原則分開：分層方法和分割方法。kmeans聚類凝聚聚類輸入：數(shù)據(jù)，用來計算的聚類號（k）輸出：數(shù)據(jù)的聚類輸入：數(shù)據(jù)，結(jié)束標(biāo)準(zhǔn)輸出：數(shù)據(jù)的聚類（1）初始化k對象作為初始中心（2）重復(fù)（3）轉(zhuǎn)讓每個對象到最近的聚類（4）更新聚類的值（5）知道沒有數(shù)據(jù)可以改變（6）返回k被定義的聚類（1）考慮每個數(shù)據(jù)作為聚類（2）重復(fù)（3）合并最近的兩個聚類（4）更新聚類的距離（5）直到結(jié)束標(biāo)準(zhǔn)（6）返回被定義的聚類圖1.kmeans和凝聚聚類原則分層的方法是由凝聚部分（即最初根據(jù)惟一的數(shù)據(jù)實例考慮分區(qū)，

45、合并鄰近的簇，直到滿足終止的標(biāo)準(zhǔn)）和分布部分（即最初根據(jù)一個集群考慮分區(qū)，這個集群包含所有數(shù)據(jù)實例并且消減集群迭代直至終止）組成。劃分的方法是以距離為基礎(chǔ)的方法（如kmeans 8所示），基于密度的方法或基于概率的方法。其他標(biāo)準(zhǔn)使我們能夠區(qū)分聚類方法（見10）；那些方法基于集群的數(shù)據(jù)實例的隸屬度（很難被引用或含糊不清（見4），以及數(shù)據(jù)實例的增量方法在某一時刻可以代替所有數(shù)據(jù)時被考慮（見5），這種方法基于鄰里搜索（k-neareat鄰居）兩個著名的聚類算法是分割kmeans（見8）（產(chǎn)生近似的結(jié)果，并有可接受的時間復(fù)雜性）和凝聚的方法（見12）（其中產(chǎn)量相對優(yōu)質(zhì)的成果，但受到時間復(fù)雜度的限制）。

46、原則kmeans：kmeans是一個迭代算法，構(gòu)建了數(shù)據(jù)實例的初始化k-分區(qū)。迭代遷移技術(shù)試圖通過將數(shù)據(jù)從一組移動到另一組的方式來改善分區(qū)，直至終止的標(biāo)準(zhǔn)（見圖1，左部分）。kmeans將產(chǎn)生局部最優(yōu)的結(jié)果。凝聚聚類的原則：分層凝聚聚類包括一個問題的自下而上的方法，這個問題是要把所有數(shù)據(jù)分別作為集群還是在每個迭代上合并兩個最近的集群直至終止條件（見圖1，右部分）。這種方法使用了相似度量矩陣，使該方法不適合大數(shù)據(jù)集（由于存儲成本）。并行算法：前面的兩個方法需要訪問整個數(shù)據(jù)庫或在每次迭代進(jìn)行溝通，以獲得正確的解決辦法。并行方法存在kmeans（見3）和凝聚聚類中。并行版本也存在于其他算法引用之前（

47、見6）。為了達(dá)到同一質(zhì)量集群作為順序聚類的并行集群來說，大量的通信是必需的。這些方法適用于作為cc numa或smp的大型計算機，它使用一個相同的記憶和快速的內(nèi)部交互網(wǎng)絡(luò)（ibm - sp3的并行數(shù)據(jù)挖掘）。在現(xiàn)有的并行方法中大量的通信產(chǎn)生網(wǎng)格文本里的性能問題。將在下一節(jié)中考慮分布式逐步聚類（dpc）方法的這些制約因素。逐步聚類 分布式逐步聚類方法以循序漸進(jìn)的方式處理屬性（在分布式逐步聚類技術(shù)中，它有別于現(xiàn)有的增量方法，現(xiàn)有的增量方法處理越來越多的數(shù)據(jù)實例取代處理越來越多的屬性）。該方法適用于利用當(dāng)?shù)厮惴ㄒ詷?gòu)建全球結(jié)果無需同步的分布式執(zhí)行。分布式逐步聚類技術(shù)通過clique（見1）這種序列聚類

48、算法被定義，clique包括在每層被映射的聚類數(shù)據(jù)，并將這些數(shù)據(jù)預(yù)測定義為深度聚類。該方法假定整個數(shù)據(jù)庫都能被映射。在網(wǎng)格文本中，通過垂直分裂（多基）來假定來分布數(shù)據(jù)庫。分布式逐步聚類技術(shù)自下而上的辦法進(jìn)行工作，它考慮數(shù)據(jù)庫的屬性。它首先計算集群在包含一些屬性的標(biāo)準(zhǔn)片段中，然后結(jié)合這些集群獲得集群的更高層面。這兩個步驟（即垂直片段的集群和集群的合并）以分布的方法被執(zhí)行，這種方法受益于分布式執(zhí)行。在下面的部分將研究分布式逐步聚類方法。三個步驟可確定：初步聚類，交叉和合并優(yōu)化的步驟。k/aa1 aj am 1ith instance n1 j mith rowk1kiknv11 v1j v1m v

49、11 v1j v1m vi1 vij vimvi1 vij vim vn1 vnj vnm vn1 vnj vnmdatabase bmatrix v associated to database b圖2.數(shù)據(jù)庫b和關(guān)聯(lián)矩陣v定義一個屬性為m屬性列和n行（實例）的數(shù)據(jù)庫，被表示b=（a，k，v），此處：a = a1, a2,am是一個有限的屬性集; k = k1, k2,kn是數(shù)據(jù)庫行的關(guān)鍵字集；v是關(guān)聯(lián)矩陣1（見圖.2），vi，j（1 _ i _ m和1 _ j _ n的位置）是第j行的第i個坐標(biāo)。設(shè)u是一個基于關(guān)鍵字的分區(qū)，2就是 u=u1, s,up,ui=kl 2 k,iui =k和u

50、i/uj= ;。設(shè)a是一個屬性劃分，如a=x1,xq,xj=ak 2 a,sjxj=a和xj/xk= ;設(shè)px是數(shù)據(jù)庫b在屬性子集x(x2 a)上的映射。給定x = akar ，px的相關(guān)矩陣有n行和q列（行代表b的每個實例，列待變x的每個屬性aj）。px的第j列和b的第j列相關(guān)聯(lián)（見圖3）。給定數(shù)據(jù)庫b（m列）的一個實例分割u（p個因子），（u，b）和下一層矩陣r相關(guān)聯(lián)（p，r矩陣，見圖3）。r的每一行和數(shù)據(jù)庫b的實例ui的子集相關(guān)聯(lián)。從r（p，m矩陣）里可以獲得矩陣r0（n，m），通過重復(fù)，對于r的每個ui，r的每一行都和帶有ui的基數(shù)的ui相關(guān)聯(lián)。也可以通過取代和數(shù)據(jù)庫b相關(guān)聯(lián)，對于r的

51、每個ui，r的每一行都和數(shù)據(jù)庫b中ui行相關(guān)的方式與ui相連。通過r中的p行取代數(shù)據(jù)庫b中的n行，允許縮小數(shù)據(jù)處理的規(guī)模。r的每一行代表和ui相關(guān)聯(lián)的數(shù)據(jù)庫b的所屬行。設(shè)rx是與數(shù)據(jù)庫b的一個映射px相關(guān)聯(lián)的低層矩陣。給定x一個數(shù)據(jù)庫b的屬性子集，與屬性分布a相對應(yīng)的。m是對通過m：b，x！px被定義的映射的操作。將b的映射px投影到子集x上。px是在矩陣b中獲得一個隱藏的mx。這個隱藏的mx是指被n，m矩陣定義，像mxi j = 1, 8i, 8 j ，aj 2 x和mxi j = 0, 8i, 8 j以及aj 62 x這種形式。映射m的操作通過m（b，x）=mxtx=px定義。分區(qū)f、數(shù)據(jù)

52、庫的一個分區(qū)是具有行運算的關(guān)聯(lián)矩陣的行分區(qū)。a這種操作通過經(jīng)典聚類算法來實現(xiàn)，這個算法是分布式逐步聚類方法的一個步驟。大連交通大學(xué)信息工程學(xué)院畢業(yè)設(shè)計調(diào)研報告學(xué)生姓名 李青霖 專業(yè)班級 軟件工程08-1班 指導(dǎo)教師 常敬巖史原 職 稱 高工講師 所在單位 信息科學(xué)系軟件工程教研室 教研室主任 劉瑞杰 完成日期 2012 年 4 月 6 日實習(xí)報告1 課題的來源及意義近年來，隨著電子商務(wù)和internet技術(shù)的不斷發(fā)展，網(wǎng)上(在線)拍賣模式已經(jīng)成為電子商務(wù)重要的常見業(yè)務(wù)之一，并作為一種新型電子商務(wù)模式正逐漸被越來越多的用戶所接受。拍賣是從美國興起的，它通過internet將過去少數(shù)人才能參于的貴

53、族式的物品交換形式，變成每一個網(wǎng)民都可以加入的平民化交易方式。拍賣網(wǎng)站營造了一個供需有效集結(jié)的市場，成為消費者和生產(chǎn)商各取所需的場所。隨著電子商務(wù)模式的不斷改變，大多數(shù)網(wǎng)民認(rèn)同并充滿激情的在參與競拍，覺得這種商務(wù)方式能給自己帶來趣味和娛樂，是以往傳統(tǒng)方式所不能有的，覺得花幾十元甚至是幾塊錢就可以買到自己心儀而且高價的產(chǎn)品是件特別激動人心的事，他們認(rèn)為以后會有越來越多的網(wǎng)民參與進(jìn)來，同時也將會有越來越多的開拓者加入到“競拍”這種電子商務(wù)新模式的大家族中，來開墾互聯(lián)網(wǎng)這塊肥沃的土地。所以無論從背景還是從現(xiàn)在電子商務(wù)模式上都可以看出開發(fā)游戲拍賣行系統(tǒng)是可行的。2 國內(nèi)外發(fā)展?fàn)顩r回顧2009年，中國互

54、聯(lián)網(wǎng)行業(yè)發(fā)展勢頭十分喜人。從中國工業(yè)和信息化部發(fā)布的統(tǒng)計數(shù)據(jù)可以看到，2009年中國網(wǎng)民數(shù)達(dá)到3.84億，凈增超過8000萬。而易觀國際enfodesk產(chǎn)業(yè)數(shù)據(jù)庫近期發(fā)布的2009年第四季度中國b2c網(wǎng)上零售市場季度監(jiān)測數(shù)據(jù)也顯示了，2009年第四季度，中國b2c網(wǎng)上零售市場規(guī)模達(dá)79.2億元，同比增長高達(dá)181%，網(wǎng)購用戶規(guī)模也將突破1億。這些數(shù)據(jù)表明中國電子商務(wù)已經(jīng)進(jìn)入了快速發(fā)展階段。中國網(wǎng)購市場交易規(guī)模的高速增長，網(wǎng)購用戶的穩(wěn)定增長，都為中國電子商務(wù)未來的發(fā)展鋪平了道路。在這樣的優(yōu)勢背景下，越來越多的企業(yè)對電子商務(wù)情有獨鐘，并紛紛投身電子商務(wù)，想要搶在他人之前占領(lǐng)這一塊能為企業(yè)帶來極大回

55、報的經(jīng)濟領(lǐng)域。同時，電子商務(wù)模式也變的多種多樣，“競拍”“低價競拍”“競拍網(wǎng)”等詞又成了風(fēng)靡網(wǎng)絡(luò)電子商務(wù)的代名詞。網(wǎng)上競拍是一種全新集娛樂休閑購物為一體的電子商務(wù)新模式，在廣大網(wǎng)民以超低價購買一線主流時尚商品的同時，還可以使身心得到放松。傳統(tǒng)的購物網(wǎng)站商品價格昂貴，質(zhì)量又無保證，而這種網(wǎng)購模式確實改變了這一現(xiàn)狀，它采用國外最先進(jìn)的電子商務(wù)經(jīng)營理念，為廣大消費者搭建了一個低價購物，娛樂身心，安全可靠于一身的網(wǎng)絡(luò)技術(shù)商務(wù)平臺。在國外，競拍網(wǎng)站也成為商家競爭的重要手段之一，世界比較著名的珠寶企業(yè)藍(lán)色尼羅河就在這方面取得了比較成功的業(yè)績。2005年，藍(lán)色尼羅河的銷售額高達(dá)2.03億美元；2006年，藍(lán)色尼羅河公司的年收入就達(dá)到2.5億美元，遠(yuǎn)遠(yuǎn)超過了其最大的幾家競爭對手polygon、cartier和tiffany等老牌珠寶公司。藍(lán)色尼羅河的成功創(chuàng)造了珠寶電子商務(wù)銷售史上的一個奇跡，同時也說明了電子商務(wù)在珠寶行業(yè)中是具有巨大的發(fā)展?jié)摿Φ?。polygon公司是全球珠寶首飾行業(yè)中第一個也是最大的一個網(wǎng)上b2b珠寶電子商務(wù)交易平臺，在90年代polygon曾幫助20000多家珠寶零售店建立了網(wǎng)站，引領(lǐng)著美國珠寶首飾行業(yè)向網(wǎng)絡(luò)轉(zhuǎn)移。在polygon中珠寶產(chǎn)品的交易是在會員間以非公開的方式完成的，賣方列出自己產(chǎn)品的庫存，買方可以根據(jù)自己的需求在數(shù)據(jù)庫中查詢；買方也可以發(fā)出尋價單，尋求賣方單獨與