招商银行开发成功国内业界第一个实用的数据仓库系统

 1.业务系统介绍

  1998年,招商银行、SYBASE公司、奥尊电脑公司经过几个月的共同协作,联合开发招行数据仓库系统,成为国内业界第一个成功可用的数据仓库系统。

2.系统建立的原因及重要意义

  招商银行是国内发展最为迅速的商业银行之一。它的计算机应用成绩十分显著,但随着业务的发展,对金融电子化的要求程度不断提高,招行的计算机应用也面临着新的挑战。为满足日益增长的需求,也为了招商银行今后的进一步发展,经过长时间的反复对比、测试与论证,最终于1997年底签定购买协议,决定采用开放平台(Sun/Sybase)作为招商银行数据仓库应用平台。此次数据仓库的建设,招行采用了Sun公司具有极高性能的Starfire(E10000)服务器作为总行数据仓库的主机平台。Sybase公司充分发挥其在主机互连方面的优势,特别是SybaseIQ在数据压缩存储、灵活查询统计方面的出色表现,成为招商银行数据仓库的系统软件核心。经过共同协作使招行数据仓库系统在国内率先成功建成,这也标志着数据仓库技术在我国金融电子化建设方面的应用拉开了序幕。

3.系统选型与设计

3.1软硬件平台

  主机采用SUN顶级服务器Starfine
  1) 配置:18个250MHZCPU,10G内存,硬盘204G(其中156G用于数据仓库,其余用于办公自动化系统)  
  2) 安装两个Solaris2.5.1操作系统,其中一个安装Domino,作为OA服务器,另外一个安装SAS、SYBASE ASE11.5、SYBASE IQ 11.5(数据仓库产品)等,作为数据仓库服务器

3.2网络

  局域网采用快速以太网,广域网通过F/R连接,移动办公则利用公共电话网。

3.3数据库选型

  在综合比较了多家数据仓库厂商的产品后,招商银行选择了SYBASE产品建设数据仓库是由于它具有如下优势:

  1) 产品线齐全
    SYBASE公司从CASE工具、数据抽取与转换工具、数据加载工具、数据建模工具、元数据管理工具到最终用户访问工具都有相应的产品:
    设计工具:S-DESIGNOR WareHouse Architect作为强有力的数据仓库设计工具,可方便地生成设计阶段的各种文档,数据库对象直接转换       到数据(仓)库中,支持多种前端开发工具的前期开发。
    中介件产品系列:以EnterpriseConnect为代表的数据移动和连接产品, 管理不同的应用交付结构所需要的数据流动。
    数据库产品系列:Adaptive Server是其旗舰产品, SYABSE IQ作为性能卓越的数据集市产品,在数据仓库建设中担当重要角色。
    工具系列产品:包括PowerBuilder,InforMaker,PowerDemension等多个著名产品,支持组件创建和快速应用开发。组件可以在客户端机器,数据    服务器上或组件事务服务器上建立、调试和交付。

  2) 技术领先
   SYBASE公司在传统关系数据库技术的以其开放性、领先性而著名,在数据仓库技术方面也是先拔头筹,拥有多项技术专利,例如在数据抽取与转换方面的Enterprise Connect系列产品,采用用户熟悉的Open Server/Open Client、ODBC技术,可以方便地连接AS/400、ORACLEInformix等多种数据库,轻易实现数据仓库的原始数据采集;在数据仓库拳头产品IQ中,采用了先进的BIT_MAPPED的索引技术以及高压缩比率的BIT_WISE存储技术, 使系统性能比同类产品高六倍,而存储空间节省30~70%等等。技术上的领先保证了用户用最少的投资获得最好的效益。

系统运行情况

  招商银行数据仓库系统统一采用SAS作前端工具,数据仓库产品选用SYBASE ASE、IQ,IQ存放轻度综合数据、高度综合数据。AS/400的业务数据通过SYBASE的中间件DC FOR 400 传输到SYBASE ASE ON Solaris上。整个数据仓库分为对公系统、人事系统、储蓄系统。对公系统具有多维分析、预测功能;人事系统主要提供统计功能;储蓄系统是投入最多,功能完善的系统,涵盖了储蓄部门所有交易场所(柜台、电话银行、网上银行ATM、POS)的全部业务(存单、存折、一卡通、信用卡)。数据仓库远程用户通过广域网调用,以后的设想把数据仓库应用分固定报表(远程用户通过E_MAIL传递统计结果)及即席查询两部分。目前应用情况良好。

转载于:https://www.cnblogs.com/skykang/archive/2011/03/18/1988293.html

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值