引言

数据治理是释放数据价值的基础，是将原始数据转化为可信战略资产的核心规程。它通过建立统一的标准、规范与流程，确保数据在整个生命周期内的质量可控、安全可靠与合规有效,进而实现数据的广泛共享和价值最大化［1］。当前，数据治理的主要难题是“协同难”与“平衡难”。一方面，数据散落于各部门形成“孤岛”，权责不清导致协同成本高企；另一方面，严格的数据管控与场景业务对数据的敏捷应用需求间存在天然矛盾，价值释放与安全合规难以兼顾。针对“数据孤岛”问题，刘艺等人［2］系统梳理了当前数据治理的主流框架，分析了不同框架的优缺点与区别。詹玉峰等人［3］研究了面相联邦学习的数据交易机制，给出了可持续联邦学习解决方案。数据严格管控的根源是分布式存储背景下，数据的受控共享交换困难。解决这一难题的可行技术是联邦学习［4-6］。陈璐等人［7］提出了基于联邦学习的跨源数据错误检测方法，给出了分布式存储与管理场景下数据错误检测问题的解决方案。

随着数据的爆发式增长，数据的集中式存储与治理越来越困难，如何对现有分布式存储的数据进行集成管理是一个亟需解决的问题。数据集成管理是指将不同来源、格式和系统的数据组合在一起，提供统一视图和访问方式的过程。它是现代数据架构中的核心组成部分，是实现数据一致性、提高数据质量和支持数据分析的重要途径。联邦学习是实现分布式数据集中管理的一种方法，但其隐私保护问题［8-10］仍面临较大挑战。郑清安等人［11］提出一种支持隐私保护的分布式可信数据管理模型，通过同态加密和零知识证明算法协议保障用户的数据隐私。梁镜洪［12］提出一种基于时空聚类的高校分布式多源异构数据集成方法，通过有序加权平均算子和模糊判决法进行分布式多源异构数据融合，采用密度聚类理论进行数据集成，达到了预期效果。黄荣等人［13］采用区块链技术研究了工业数据的分布式治理问题，通过引入同态加密和多方计算等措施，确保了数据的隐私性和可计算性。当前，由于缺少跨层级的协同机制，分布式数据治理跨层级协同效率低下。同时，由于安全与性能失衡，分布式数据治理的隐私保护与数据效用难以兼顾。近年来，联邦治理［14］理论为分布式数据的集成管理提供了新的解决思路。本文基于联邦治理提出一种分布式数据集成管理框架，并基于元数据知识图谱设计了集成技术方案。该方案在联邦学习的“数据不动模型动”基础上，实现了更全面的数据要素化流通与协同应用；相较于传统集中式治理，其无需物理集中数据，在保持数据分布存储的前提下，通过标准化接口与机制实现集中管控，兼顾了合规、安全与应用敏捷性。

本文详细内容请下载：

http://www.chinaaet.com/resource/share/2000007125

作者信息：

余旺盛1，杨少波1,2，韩锦令1,2

(1.空军工程大学信息与导航学院，陕西西安710077；

2.空军工程大学研究生院，陕西西安710057)