业务建模方法及可读存储介质与流程

1.本发明涉及大数据处理技术领域，特别涉及一种业务建模方法及可读存储介质。


背景技术：

2.现有的数据建模方法可以根据数据类型、模型类型、实现方式等多个维度分类，基本上可以覆盖任何数据建模场景。然而，从实际应用情况来看，现有的数据建模方法存在着一些缺陷，这些缺陷往往会导致数据建模的结果与实际业务场景不匹配。
3.首先，现有的数据建模方法过于专注于技术而忽视了业务。在许多数据建模实践中，数据模型往往是由技术人员设计和维护的，而这些技术人员往往只关心技术的实现和性能优化，而忽视了业务场景的需求。因此，这些数据模型往往局限于技术细节和性能考虑，忽略了业务场景的复杂性和变化。这样会导致数据模型与实际业务场景不匹配，从而影响业务效率和数据质量。
4.其次，现有的数据建模方法在长期业务变化中显得过于脆弱。在实际业务场景中，业务需求随着市场变化和技术发展的不断变化而发生改变，但现有的数据建模方法在长期变化中显得过于脆弱。一旦数据模型与业务场景脱节，就需要花费大量的时间和精力来重新设计和实现数据模型。这不仅浪费时间和资源，也会影响业务创新和业务竞争力。
5.此外，现有的数据建模方法往往难以建立有效的数据资产管理和应用。随着数据量的不断增长和数据应用场景的不断扩展，管理数据资产和应用变得越来越复杂。然而，现有的数据建模方法往往无法建立有效的数据资产管理和应用，数据模型难以与现有业务系统和数据交换进行无缝衔接，从而阻碍了数据资产的有效管理和应用，造成了资源浪费。
6.综上所述，现有的数据建模方法存在着一些局限性和缺陷，这些缺陷通常会导致数据模型与实际业务场景不匹配。为了解决这些问题，我们需要重新思考数据建模方法的目标和方法，更加注重业务场景和数据资产管理和应用，以实现更好的数据建模结果和业务价值。


技术实现要素：

7.本发明的目的在于提供一种业务建模方法及可读存储介质，以解决现有技术中存在的数据模型与实际业务场景不匹配的问题。
8.为了解决上述技术问题，本发明提供了一种业务建模方法，包括：获取元数据，确认所述元数据的实体和属性；其中，所述元数据来源于不同的数据接口和不同的软硬件设备。对于每一个所述属性，计算各所述实体之间的关联矩阵。基于所述关联矩阵进行所述属性的非排他性分区聚类。基于所述分区聚类结果，构建业务模型。以及，输出所述业务模型。
9.可选的，在计算所述关联矩阵之前，对获取得到的所述元数据进行数据清洗。
10.可选的，基于指标因数计算所述关联矩阵。所述指标因数包括如下指标中的至少一者：所述实体的功能的相似性、所述属性的含义的相似性、所述属性是否为主键或唯一键、所述属性之间是否存在外键关系、所述属性的数据类型的相似性、所述实体的数据存
量、所述实体的数据增量、具有有效数据的所述属性的数据量、不同的所述实体的相同所述属性间的关联的数据量和不同的所述属性的数据之间的相似度。
11.可选的，至少基于所述实体的所述指标因数、所述实体的权重和修正参数计算所述关联矩阵。
12.可选的，所述关联矩阵按照如下公式计算：
[0013][0014]
其中，cm
i,j
表示第m个所述关联矩阵中第i行第j列的关联系数，cm
i,j
同时也表示第m个所述属性在第i个所述实体和第j个所述实体中的关联度，θ表示修正系数，b表示偏移量，p表示所述指标因数的总数，f(k)表示第k个所述指标因数的自定义调整函数，x
i,k
表示第m个所述属性关于第i个所述实体的第k个所述指标因数，y
i,k
表示第m个所述属性关于第j个所述实体的第k个所述指标因数，αi表示第i个所述实体的权重，βj表示第j个所述实体的权重，γ
i,j
表示第i个所述实体和第j个所述实体之间的差异系数；θ、b、f(k)和γ
i,j
统称为所述修正参数。
[0015]
可选的，所述基于所述关联矩阵进行所述属性的非排他性分区聚类的步骤包括：
[0016]
以所述属性为个体，对该所述属性在所述关联度矩阵中的所有关联度数据进行归一化处理，进行高斯参数拟合，形成以来源实体、目标实体、关联度为核心的高斯分布数据点。
[0017]
获取簇的数量参数或者按照预设逻辑设定所述簇的数量，随机初始化每个簇的高斯分布参数，所述高斯分布参数包括均值和方差。
[0018]
给定每个所述簇的高斯分布，计算每个所述数据点属于每个所述簇的概率。
[0019]
以及，若符合结束条件，则完成非排他性分区聚类，若不符合所述结束条件，改变每个所述簇的高斯分布参数并重新计算每个所述数据点属于每个所述簇的概率。
[0020]
可选的，所述结束条件包括以下条件中的一者或者多者：所述数据点概率的大小符合预设条件；两次相邻的计算中所述数据点概率的差值小于预设差值；重新计算的次数超过预设次数；以及，接收到外部输入的结束指令。
[0021]
可选的，所述基于所述分区聚类结果，构建业务模型的步骤包括：每个所述簇构建为一个业务对象；每个所述簇中的所述数据点所对应的所述属性均被配置为对应的所述业务对象的业务属性；以及，基于所述属性的特征设置所述业务属性的特征。
[0022]
可选的，所述基于所述分区聚类结果，构建业务模型的步骤还包括：若不同的所述业务对象包含有相同的所述业务属性，建立所述业务对象的相同的所述业务属性间的外键关联。
[0023]
为了解决上述技术问题，本发明还提供了一种可读存储介质，所述可读存储介质上存储有程序，所述程序运行时，执行上述的业务建模方法。
[0024]
与现有技术相比，本发明提供的一种业务建模方法及可读存储介质中，所述业务建模方法包括：获取元数据，确认所述元数据的实体和属性；其中，所述元数据来源于不同的数据接口和不同的软硬件设备。对于每一个所述属性，计算各所述实体之间的关联矩阵。基于所述关联矩阵进行所述属性的非排他性分区聚类。基于所述分区聚类结果，构建业务模型。以及，输出所述业务模型。如此配置，一方面，通过算法自动化地构建业务模型，减少
了通过人工构建的时间成本和人力成本，避免了因构建者自身的缺陷导致的数据模型与实际业务场景不匹配的问题；另一方面，能够与业务的开展过程同步进行，当业务发生变化时，通过输入数据的变化能够自适应地改变业务模型，避免了因时间跨度长导致的数据模型与实际业务场景不匹配的问题；也为业务模型的关联性等拓展功能提供了前提条件。本发明解决了现有技术中存在的因特定的缺陷导致的数据模型与实际业务场景不匹配的问题。
附图说明
[0025]
本领域的普通技术人员将会理解，提供的附图用于更好地理解本发明，而不对本发明的范围构成任何限定。其中：
[0026]
图1是本发明一实施例的业务建模方法的流程示意图；
[0027]
图2是本发明一实施例的系统运行框架示意图。
具体实施方式
[0028]
为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作进一步详细说明。需说明的是，附图均采用非常简化的形式且未按比例绘制，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。
[0029]
如在本发明中所使用的，单数形式“一”、“一个”以及“该”包括复数对象，术语“或”通常是以包括“和/或”的含义而进行使用的，术语“若干”通常是以包括“至少一个”的含义而进行使用的，术语“至少两个”通常是以包括“两个或两个以上”的含义而进行使用的，此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者至少两个该特征，“一端”与“另一端”以及“近端”与“远端”通常是指相对应的两部分，其不仅包括端点，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。此外，如在本发明中所使用的，一元件设置于另一元件，通常仅表示两元件之间存在连接、耦合、配合或传动关系，且两元件之间可以是直接的或通过中间元件间接的连接、耦合、配合或传动，而不能理解为指示或暗示两元件之间的空间位置关系，即一元件可以在另一元件的内部、外部、上方、下方或一侧等任意方位，除非内容另外明确指出外。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0030]
本发明的核心思想在于提供一种业务建模方法及可读存储介质，以解决现有技术中存在的数据模型与实际业务场景不匹配的问题。
[0031]
本发明旨在利用大数据、人工智能等先进技术，对海量业务数据进行深入挖掘和精细化分析，识别数据之间的关系，并使用这些关系来创建面向企业业务流程的业务模型；同时，通过构建自学习的业务建模方式，使整个建模过程具备自适应性、高准确性以及自迭代优化的能力，实现模型对业务流程的自动跟踪与适配，从而快速适应业务的变化，随时自主更新调整相关的业务模型，大幅度降低成本和时间。
[0032]
本实施例提供了一种基于海量数据的自学习业务建模方法(也即，业务建模方法)，利用先进的技术手段，通过数据的自学习、自适应以及自优化等能力，对业务建模及相应决策提供有效的支持与指导。本方法的核心是基于海量数据的自学习，采用元数据采集、海量数据持续注入，构建多应用系统多实体多属性关联矩阵，通过数据关联度分析、数据相似度分析等机器学习算法，挖掘出隐藏的业务规律和关系，分离出各种业务对象及其属性定义，并根据发掘的业务关系在业务对象间自动建立关联关系，最终生成相应的业务模型，实现基于海量数据的自学习业务建模。
[0033]
以下参考附图进行描述。
[0034]
请参考图1，本实施例提供了一种业务建模方法，包括：
[0035]
s10，获取元数据，确认所述元数据的实体和属性。
[0036]
s20，对获取得到的所述元数据进行数据清洗。
[0037]
s30，对于每一个所述属性，计算各所述实体之间的关联矩阵。
[0038]
s40，基于所述关联矩阵进行所述属性的非排他性分区聚类。
[0039]
s50，基于所述分区聚类结果，构建业务模型。
[0040]
以及，s60，输出所述业务模型。
[0041]
在步骤s10中，元数据采集是自学习业务建模的第一步，它是获取业务数据的关键。数据采集的方式多种多样，可以通过sql查询、api接入、网络爬虫、传感器采集等方式获取数据。也即，所述元数据来源于不同的数据接口和不同的软硬件设备。
[0042]
可以作为输入的实体和属性，在表1中进行了列举。
[0043]
表1一部分可以作为输入的实体和属性
[0044]
序号实体属性1数据库表/视图字段2某一类日志日志内容结构中的属性定义3api接口接口返回参数4csv/excel文件列信息5文件文件内容格式描述信息
[0045]
在步骤s20中，为了保证数据的真实可信，需要对采集的数据进行清洗和过滤。众多应用系统存在着海量的各类数据，基于采集的应用系统元数据，将海量各类业务数据持续注入，会不断优化整个自学习业务建模的过程。数据的增加、删除、修改都会促使自学习业务建模的过程不断优化。业务数据注入之前，需要进行一定的数据清洗工作，将一些异常数据、冗余数据去除掉，以免因为输入的脏数据对自学习业务建模过程造成影响。
[0046]
然后执行步骤s30。所述关联矩阵的结构如下：
[0047][0048]
其中，am
n,n
代表第m个所述关联矩阵，cm
i,j
表示第m个所述关联矩阵中第i行第j列的关联系数。所述关联矩阵的总数由所述属性的总数确定，在不至于引起歧义时，也可以用m代表所述属性的总数。n为所述实体的总数。
[0049]
所述关联矩阵按照如下公式计算：
[0050][0051]
其中，cm
i,j
表示第m个所述关联矩阵中第i行第j列的关联系数，cm
i,j
同时也表示第m个所述属性在第i个所述实体和第j个所述实体中的关联度，θ表示修正系数，b表示偏移量，p表示指标因数的总数，f(k)表示第k个所述指标因数的自定义调整函数，x
i,k
表示第m个所述属性关于第i个所述实体的第k个所述指标因数，y
i,k
表示第m个所述属性关于第j个所述实体的第k个所述指标因数，αi表示第i个所述实体的权重，βj表示第j个所述实体的权重，γ
i,j
表示第i个所述实体和第j个所述实体之间的差异系数；θ、b、f(k)和γ
i,j
统称为修正参数。
[0052]
在其他实施例中，基于相同的设计思想，也可以认为，至少基于所述实体的所述指标因数、所述实体的权重和修正参数计算所述关联矩阵。
[0053]
所述指标因数可以包括如下指标中的至少一者：所述实体的功能的相似性、所述属性的含义的相似性、所述属性是否为主键或唯一键、所述属性之间是否存在外键关系、所述属性的数据类型的相似性、所述实体的数据存量、所述实体的数据增量、具有有效数据的所述属性的数据量、不同的所述实体的相同所述属性间的关联的数据量和不同的所述属性的数据之间的相似度。上述指标的具体计算方式可以根据本领域公知常识和实际业务情况进行设置，在此不进行展开描述。
[0054]
当属性实体关联度矩阵构建完成后，可以通过高斯混合模型(gmm)的最大期望(em)聚类算法，进行关联度与相似度分析，实现属性的分区聚类，该分区聚类为非排他性，允许同一属性隶属于不同区域。
[0055]
步骤s40，所述基于所述关联矩阵进行所述属性的非排他性分区聚类的步骤包括：
[0056]
以所述属性为个体，对该所述属性在所述关联度矩阵中的所有关联度数据进行归一化处理，进行高斯参数拟合，形成以来源实体、目标实体、关联度为核心的高斯分布数据点。
[0057]
获取簇的数量参数或者按照预设逻辑设定所述簇的数量，随机初始化每个簇的高斯分布参数，所述高斯分布参数包括均值和方差。
[0058]
给定每个所述簇的高斯分布，计算每个所述数据点属于每个所述簇的概率。
[0059]
以及，若符合结束条件，则完成非排他性分区聚类，若不符合所述结束条件，改变每个所述簇的高斯分布参数并重新计算每个所述数据点属于每个所述簇的概率。
[0060]
所述结束条件包括以下条件中的一者或者多者：所述数据点概率的大小符合预设条件(例如，一部分的所述数据点概率的大小超过90％)；两次相邻的计算中所述数据点概率的差值小于预设差值；重新计算的次数超过预设次数；以及，接收到外部输入的结束指令。
[0061]
步骤s50则按照如下流程进行：每个所述簇构建为一个业务对象；每个所述簇中的所述数据点所对应的所述属性均被配置为对应的所述业务对象的业务属性；以及，基于所述属性的特征设置所述业务属性的特征。例如，数据类型、长度、非空、主键、唯一键等特征。
[0062]
由于进行的是非排他性分区聚类，因此还可以根据公共属性判断各业务对象之间的联系。也就是说，在一个较优的实施例中，所述基于所述分区聚类结果，构建业务模型的步骤还包括：若不同的所述业务对象包含有相同的所述业务属性，建立所述业务对象的相同的所述业务属性间的外键关联。
[0063]
最后，通过步骤s60输出业务模型，完成自主业务建模。
[0064]
可以理解的，上述步骤s10～s60，既可以在业务创建之前运行，也可以在业务执行过程中运行，从而不断迭代和优化业务逻辑，使得数据模型与实际业务场景始终保持匹配。
[0065]
为了使得上述过程更为清晰，以一组样例数据进行自学习业务建模，过程如下。
[0066]
1.原始实体、属性及数据如表2所示。
[0067]
表2原始实体、属性及数据
[0068][0069]
该样例数据中，实体一共为4个，分别为e1、e2、e3和e4；e1具有a1、a2、a3这三条属性，e2具有a4、a5、a6这三条属性，e3又具有a7、a8、a9这三条属性，e4具有a10、a11、a12这三条属性。而诸如“shanghai 240012.5”等则为具体的一条数据。
[0070]
2.计算关联矩阵，如表3所示。
[0071]
表3关联矩阵
[0072]
[0073]
以a1矩阵中第一行第二列的数据0.75为例，0.75表示a1这个属性在e1和e2实体中的关联度为0.75。
[0074]
3.进行聚类，得到聚类结果，如表4所示。
[0075]
表4聚类结果
[0076][0077]
以上是通过聚类后生成的几个簇，每个簇包含一组属性和一个相似度，相似度值越高，簇内属性的关联度越高，关联度越高的一组属性的业务相关性也越大。
[0078]
4.最终生成的业务模型如表5所示。
[0079][0080]
根据上一步聚类的结果，去掉相似度较低(如：小于0.5)的簇，按照相似度更高的簇生成业务对象模型，模型属性为簇中的属性，该业务对象模型中，除过簇中所包含的属性外，也可以根据自己的需要，增加与这些属性属于同一实体中的其它属性。
[0081]
本实施例还提供了一种可读存储介质，所述可读存储介质上存储有程序，所述程序运行时，执行上述的业务建模方法。所述可读存储介质能够作为程序的载体，同样能够解决现有技术中存在的问题。
[0082]
本实施例应用于系统后的运行框架如图2所示。在应用系统中进行元数据采集，在系统运行过程中进行数据持续注入。从而建立或者更新关联矩阵，再进行聚类，然后根据聚类结果识别业务关系，分离业务对象，生成业务模型；业务模型中，不同的对象具有的相同属性还进行了外键关联，从而进一步匹配实际业务的内在逻辑。通过本发明的不断更新，输出业务模型以指导应用系统建设。具体的建设过程并非是本技术的描述重点，因此不展开描述。
[0083]
综上所述，本实施例提供了一种业务建模方法及可读存储介质。所述业务建模方法包括：获取元数据，确认所述元数据的实体和属性；其中，所述元数据来源于不同的数据接口和不同的软硬件设备。对于每一个所述属性，计算各所述实体之间的关联矩阵。基于所述关联矩阵进行所述属性的非排他性分区聚类。基于所述分区聚类结果，构建业务模型。以及，输出所述业务模型。如此配置，一方面，通过算法自动化地构建业务模型，减少了通过人
工构建的时间成本和人力成本，避免了因构建者自身的缺陷导致的数据模型与实际业务场景不匹配的问题；另一方面，能够与业务的开展过程同步进行，当业务发生变化时，通过输入数据的变化能够自适应地改变业务模型，避免了因时间跨度长导致的数据模型与实际业务场景不匹配的问题；也为业务模型的关联性等拓展功能提供了前提条件。本实施例解决了现有技术中存在的因特定的缺陷导致的数据模型与实际业务场景不匹配的问题。
[0084]
在此方法应用之前，业务建模的过程需要非常精通业务流程的专业人员人工分析原始应用系统的各种元数据和数据，对所有的业务流程进行归纳总结，才能形成适合企业的业务模型，整个过程效率低下，精准度不高。同时，由于基于业务流程的数据分析牵涉到不同业务部门、不同知识领域，往往很难有一个人全面掌握这些知识，这就大大增加业务建模的难度、周期和准确性。
[0085]
基于海量数据的自学习业务建模方法，完全摒弃了传统的建模方式，从业务建模最核心的业务数据着手，利用机器学习的方法，通过海量业务数据不断注入，自主完成了业务对象的识别和业务关系的梳理，进而可以自动完成业务模型的构建与优化。
[0086]
本方法摆脱了人工方式，依托于海量业务数据，将机器学习算法融入自主建模过程，可以快速实现面向企业级的业务建模，同时，还具备业务模型的自主优化能力。本方法的应用将给业务建模领域带来重大的技术变革。
[0087]
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于本发明技术方案的保护范围。

技术特征：
1.一种业务建模方法，其特征在于，包括：获取元数据，确认所述元数据的实体和属性；其中，所述元数据来源于不同的数据接口和不同的软硬件设备；对于每一个所述属性，计算各所述实体之间的关联矩阵；基于所述关联矩阵进行所述属性的非排他性分区聚类；基于所述分区聚类结果，构建业务模型；以及，输出所述业务模型。2.根据权利要求1所述的业务建模方法，其特征在于，在计算所述关联矩阵之前，对获取得到的所述元数据进行数据清洗。3.根据权利要求1所述的业务建模方法，其特征在于，基于指标因数计算所述关联矩阵，所述指标因数包括如下指标中的至少一者：所述实体的功能的相似性、所述属性的含义的相似性、所述属性是否为主键或唯一键、所述属性之间是否存在外键关系、所述属性的数据类型的相似性、所述实体的数据存量、所述实体的数据增量、具有有效数据的所述属性的数据量、不同的所述实体的相同所述属性间的关联的数据量和不同的所述属性的数据之间的相似度。4.根据权利要求3所述的业务建模方法，其特征在于，至少基于所述实体的所述指标因数、所述实体的权重和修正参数计算所述关联矩阵。5.根据权利要求4所述的业务建模方法，其特征在于，所述关联矩阵按照如下公式计算：其中，cm
i,j
表示第m个所述关联矩阵中第i行第j列的关联系数，cm
i,j
同时也表示第m个所述属性在第i个所述实体和第j个所述实体中的关联度，θ表示修正系数，b表示偏移量，p表示所述指标因数的总数，f(k)表示第k个所述指标因数的自定义调整函数，x
i,k
表示第m个所述属性关于第i个所述实体的第k个所述指标因数，y
i,k
表示第m个所述属性关于第j个所述实体的第k个所述指标因数，α
i
表示第i个所述实体的权重，β
j
表示第j个所述实体的权重，γ
i,j
表示第i个所述实体和第j个所述实体之间的差异系数；θ、b、f(k)和γ
i,j
统称为所述修正参数。6.根据权利要求1所述的业务建模方法，其特征在于，所述基于所述关联矩阵进行所述属性的非排他性分区聚类的步骤包括：以所述属性为个体，对该所述属性在所述关联度矩阵中的所有关联度数据进行归一化处理，进行高斯参数拟合，形成以来源实体、目标实体、关联度为核心的高斯分布数据点；获取簇的数量参数或者按照预设逻辑设定所述簇的数量，随机初始化每个簇的高斯分布参数，所述高斯分布参数包括均值和方差；给定每个所述簇的高斯分布，计算每个所述数据点属于每个所述簇的概率；以及，若符合结束条件，则完成非排他性分区聚类，若不符合所述结束条件，改变每个所述簇的高斯分布参数并重新计算每个所述数据点属于每个所述簇的概率。7.根据权利要求6所述的业务建模方法，其特征在于，所述结束条件包括以下条件中的
一者或者多者：所述数据点概率的大小符合预设条件；两次相邻的计算中所述数据点概率的差值小于预设差值；重新计算的次数超过预设次数；以及，接收到外部输入的结束指令。8.根据权利要求6所述的业务建模方法，其特征在于，所述基于所述分区聚类结果，构建业务模型的步骤包括：每个所述簇构建为一个业务对象；每个所述簇中的所述数据点所对应的所述属性均被配置为对应的所述业务对象的业务属性；以及，基于所述属性的特征设置所述业务属性的特征。9.根据权利要求8所述的业务建模方法，其特征在于，所述基于所述分区聚类结果，构建业务模型的步骤还包括：若不同的所述业务对象包含有相同的所述业务属性，建立所述业务对象的相同的所述业务属性间的外键关联。10.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序，所述程序运行时，执行如权利要求1～9中任一项所述的业务建模方法。

技术总结
本发明提供了一种业务建模方法及可读存储介质。所述业务建模方法包括：基于元数据的实体和属性计算关联矩阵并进行非排他性分区聚类；基于所述分区聚类结果，构建业务模型。如此配置，一方面，通过算法自动化地构建业务模型，减少了通过人工构建的时间成本和人力成本，避免了因构建者自身的缺陷导致的数据模型与实际业务场景不匹配的问题；另一方面，能够与业务的开展过程同步进行，当业务发生变化时，通过输入数据的变化能够自适应地改变业务模型，避免了因时间跨度长导致的数据模型与实际业务场景不匹配的问题；也为业务模型的关联性等拓展功能提供了前提条件。性等拓展功能提供了前提条件。性等拓展功能提供了前提条件。


技术研发人员：吴文龙 吴育锋 周岳
受保护的技术使用者：上海爱可生信息技术股份有限公司
技术研发日：2023.07.14
技术公布日：2023/9/14