浅谈校园大数据分析及其可视化研究

2022-03-23赵英淇

网络安全技术与应用 2022年2期

关键词：可视化校园分析

◆赵英淇

浅谈校园大数据分析及其可视化研究

◆赵英淇

（华中科技大学计算机科学与技术学院湖北 430074）

校园信息化的实现，可将数据处理系统与基层数据产出端进行对接，分析出不同数据比对下的差异问题，进而为后续校园教育管理工作的开展提供数据支撑。基于此，本文以校园大数据预处理工序为切入点，对学生数据库建设及可视化的实现进行研究。

校园大数据分析；可视化；信息化

在校园信息化的建设与推进下，数据信息管控性能也随之加强。对于学生管理而言，可通过不同维度的数据确认，映射出当前教育及管理信息，在实时化、动态化的数据界定下，充分界定出不同操控空间下，数据信息之间的对接属性，为后续教育管理工作的开展提供数据支撑。校园大数据分析及可视化研究，则是通过数据模型的建设，利用数字化表达机制，确保相关技术在落实过程中，可以实现对数据本体的多维度解析，从多方面解读出数据参数异常问题。例如，通过数据记录学生日常学习、生活中所产生的信息，以大数据技术为核心，结合可视化模型，将动态化表达建立在信息传输诉求之上，真正做到抽象化与表象化的结合，提高数据分析质量，加快智慧校园的构设效率。本文则是针对校园大数据分析及其可视化进行探讨，仅供参考。

1 校园大数据预处理工序

大数据时代的到来，海量数据信息的高效率处理，则成为数据系统运行的核心，保证在复杂性的数据结构中，可短时间内获取具有一定价值且有关联的数据，避免信息孤岛问题的产生。校园大数据预处理则是对既有数据进行多维度分析，以高价值数据为基准，在高密度的数据体系中，查证出更为优质的数据，进而为系统后续运行提供数据支撑。

1.1 数据抽取阶段

此类数据抽取主要是在系统数据库中建设具有目标统计功能的数据体系，结合整体与局部两种形式，在目标数据库中查证出相对应的数据参数。从实际应用效果而言，整体数据抽取具有应用广泛性的特征，但是在海量数据中运行时，存在数据运算迟缓的问题，造成数据监测约束的效果。局部抽取则是在固有的约束框架下，完成高质量的数据抽取，有效规避时间问题的局限，可以在多场景下运行。

1.2 数据清洗阶段

数据清洗主要是针对现有的校园工功数据进行源头化分析，以数据库为基准，建设出具有基准化可循化的数据检测机制，这样即便是在数据系统检测异常时，也可以通过清洗功能对冗余性的数据进行查证，其主要可以分为两个阶段。第一数据清洗与处理阶段，第二数据侵袭补偿阶段，第三数据内容纠错阶段，第四数据逻辑纠错阶段，第五数据清洗与验证阶段，通过多阶段的整合处理保证数据，在关联任务获取与执行过程中，可以直接建设在数据核心机制之上，保证每一项数据检测的精准性。

1.3 数据标准化阶段

数据标准化阶段是针对现有的大数据体系进行深度挖掘，然后以聚类分析方法，解析出学生在日常学习与工作中存在的各类行为信息，并将其关联通过数据信息本身之间的差异性建设就具有基准比对属性的各类文本功能。但是在具体应用过程中，由于文本属性本身之间存在的关联影响，将造成数据归集处理过程中无法正确衡量出基本差异值之间存在的各类影响性。这就需要通过数字列段之间的影响关系，建设出具有标准化处理能力的基准核验体系，保证每一类数据在阐述过程中可以精准地映射出数据误差值以及各类异常信息。只有这样，才可以真正实现标准化处理，为整个信息系统的运行提供数据支撑。

1.4 数据可视化阶段

从整个数据运行框架来讲，数据可视化模型的建设是全过程贯穿于整个数据型体系中的，由数据空间、数据开发、数据分析，构筑出基于数据可视化分析的主体平台。比如数据空间是将整个数据集进行多维度空间信息采集，以数据算法进行开发预算，以数据分块及模拟进行数据分析，这样便可以从多个角度观测出数据变化过程，从而达到实时化动态化的检测。数据可视化则是通过整个数据变动范围之后进行信息节点的映射，保证在实际开发过程中可以将未知信息组建成基于数据可控化的原则体系，进一步提高可视化功能，为相关系统服务体系的建设提供数据支持。

2 学生数据特征库的建设

在建设校园大数据系统时，整个系统所设定的标准功能，是以学生为核心，将教育管理作为约束框架，对学生从学习状况、生活状况以及日常行为等进行分析，保证学生数据库可以真实反映出学生日常生活中存在的一系列问题。对于此，在进行特征库建设时，则必须构筑出以学生为单位的区块链认证体系，例如，以年龄性别以及年级为主体，以学生的学习行为生活行为为数据辅助体，通过成绩、消费状况、作息习惯、饮食规律、学习习惯等，考量出学生在当前信息水平下所呈现的一些规则，这样通过主体基准的建设，评定中学生在日常生活中所存在的各类数据行为，将作为指标进行统一化核定，通过数据标准处理，提高整体数据运行质量（系统业务处理流程如图1所示）。

图1 系统业务流程

在对学生数据特征库建设时，需要按照数据罗列算法以及经典聚类算法，进行数据挖掘与分析，保证每一个数据提升思路以及聚类思路，可以通过层次化、密度算法构筑出可视化模型体系。这样一来，可以在整个网络系统中，将不同数据节点之间的维度信息有效关联到一起，真正实现以初始聚类点为主导的聚类算法，进而确保数据在运算过程中，可以通过不同点之间的有效聚集，实现对中心点与边缘点之间的有效对接。当此类算法映射到整个校园管理框架时，则是通过对学生主体信息与边缘信息之间的有效对接，构设出可能性与综合性的网络数据框架，将核心行为与数据列表行为进行比对，查证出学生在日常工作与生活过程中存在的一系列数据影响值。最后，算法在确认过程中，通过数据可视化模型对整个框架进行分析，以标准的处理方式，查证出数据在不同节点下存在的偏离属性，进而在整个高密度的数据系统中精准挖掘出价值类的信息，提高整体的运算效率。

3 校园大数据的可视化实现

校园大数据可视化的实现是以数据信息为基础，将学生作为数据源头，进行可追溯式的数据表达，真实反映出学生在校园生活内的各类状况。从实际业务处理角度来讲，学生个人信息的建设是以整体数据归类为基准，构筑出多业务综合处理的平台框架，这样在系统平台与学生个人信息之间，可以建立出基于数据清洗数据挖掘的系统体系，真正实现数据分布式的转移与聚类，以提高学生用户与整个系统之间的交互功能。

3.1 校园大数据可视化结构

从整体结构来讲，校园大数据可视化分析可以分为4个方向。

（1）数据感知方向。其是针对校园所呈现出的公共数据进行主体分析与清洗，保证每一类数据所阐述出的行为信息具有真实性与可靠性，进而为后续系统数据处理提供核心支撑。

（2）数据分布式处理方向。此类处理功能主要是由感知层所提供的数据进行深度挖掘，然后利用数据库内的基础信息进行比对，分析出数据存在的潜在价值并予以存储。

（3）数据交互方向。主要是针对数据交接及运算模式进行存储及分析，保证语言语句在整个文本处理过程中可以实现数据转换，进一步提高整体处理质量。

（4）数据可视化方面则是针对数据库本身所具备的法律框架进行数据溯源，然后以图表的形式进行数据呈现，这样通过数据可视化的分析，可以对整个信息所产生的动态化、实时化属性进行映射。

从整体框架来讲，数据可视化、数据交互、数据处理以及数据获取之间存在一定的关联特征，即彼此之间所具备的数据对接层呈现出交互属性。例如，在数据可视化方面可以建设出一库一表的大屏显示界面，而在数据交互中则是以用户交换学生主体特征进行分析，在数据处理中则是通过计算服务、存储服务，进一步将整个数据获取过程进行统一化表达，提高数据检测效率。

3.2 可视化数据整合及结果分析

在对校园大数据进行整合与结果分析时，其所涵盖的服务属性及教育属性是全过程贯彻于学生管理过程的。这就需要在数据整合过程中，通过可视化功能将数据的模型进行整体涵盖，结合数据侵袭数据挖掘功能，建设基于时间点与空间点的数据的挖掘机制。然后通过画像库聚类处理学生在日常生活与学习过程中存在的各类行为信息，进而真实反映出学生当前的各类状况。从校园信息化实现过程来讲，整个数据体系的建设是根植于学生教育管理之上，利用教学管理存在的定向属性，将整个时间与空间进行关联，打造出更为完整的数据联动体系，进一步提高可视化分析能力，为各项教育管理工作的开展提供数据支撑。