Moodle教学平台客户端的设计与实现.docx
《Moodle教学平台客户端的设计与实现.docx》由会员分享，可在线阅读，更多相关《Moodle教学平台客户端的设计与实现.docx（37页珍藏版）》请在冰豆网上搜索。
Moodle教学平台客户端的设计与实现
论文题目：
Moodle教学平台客户端的设计与实现
学生姓名：
指导教师：
摘要
数据仓库是决策支持系统和联机分析应用数据源的结构化数据环境。
数据仓库研究和解决从数据库中获取信息的问题。
数据仓库的特征在于面向主题、集成性、稳定性和时变性。
数据仓库是集成的，数据仓库的数据有来自于分散的操作型数据，将所需数据从原来的数据中抽取出数据仓库的核心工具来，进行加工与集成，统一与综合之后才能进入数据仓库；
数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理得到的，必须消除源数据中的不一致性，以保证数据仓库内的信息是关于整个企业的一致的全局信息。
数据仓库系统是一个信息提供平台，他从业务处理系统获得数据，主要以星型模型和雪花模型进行数据组织，并为用户提供各种手段从数据中获取信息和知识。
从功能结构划分，数据仓库系统至少应该包含数据获取、数据存储、数据访问三个关键部分。
根据题目的要求，掌握数据预处理技术，对应数据获取部分；掌握数据立方体建立方法对应数据存储部分；掌握olap操作对应数据访问部分。
本文将以此为依据，逐步设计moodle教学平台数据仓库并实现。
关键词：
数据仓库；数据预处理技术；数据立方体；OLAP操作
Title:
Moodlelearningplatformdatawarehousedesignandimplementation
name:
Supervisor:
ABSTRACT
Datawarehouseenvironmentisstructureddataanalysisdecisionsupportsystemapplicationsandonlinedatasources.DataWarehousingresearchandobtaininformationfromthedatabasetosolveaproblem.Datawarehouseischaracterizedbyasubject-oriented,integrated,stabilityandtimevariability.
Adatawarehouseisintegrated,datawarehousehavedispersedfromtheoperationaldata,extracttherequireddatafromtheoriginaldatainacentraldatawarehousetools,processingandintegration,unityandthenintegratedintothedatawarehouseto;
Datainthedatawarehouseisdispersedintheoriginaldatabasedataextraction,clean-upthroughthesystemonthebasisofprocessing,aggregationandconsolidationwasnecessarytoeliminateinconsistenciesinthesourcedatatoensurethattheinformationwithinthedatawarehouseisabouttheentireenterpriseconsistentglobalinformation.
Datawarehousesystemisaninformationdeliveryplatform,heobtainedthedatafromthebusinessprocessingsystem,mainlysnowflakestarmodelandmodeldataorganization,andtoprovideuserswithavarietyofmeanstoobtaininformationandknowledgefromthedata.Functionalstructureisdividedfromthedatawarehousesystemshouldatleastcontaindataacquisition,datastorage,dataaccess,threekeyparts.
Accordingtotherequirementsofthesubject,masterdatapreprocessingtechniques,thecorrespondingdataacquisitionsection;masterdatacubemethodofestablishingthecorrespondingdatastoragesection;masterolapoperationcorrespondstothedataaccesspart.Thisarticlewillusethisasthebasis,graduallylearningplatformmoodledatawarehousedesignandimplementation.
Keywords:
datawarehouse;datapreprocessingtechniques;datacube;OLAPoperations
1.绪论
1.1课题背景
数据仓库是为企业所有级别的决策制定过程提供支持的所有类型数据的战略集合。
它是单个数据存储，出于分析性报告和决策支持的目的而创建。
为企业提供需要业务智能来指导业务流程改进和监视时间、成本、质量和控制。
数据仓库是决策支持系统和联机分析应用数据源的结构化数据环境。
数据仓库研究和解决从数据库中获取信息的问题。
数据仓库的特征在于面向主题、集成性、稳定性和时变性。
数据仓库，由数据仓库之父比尔•恩门于1990年提出，主要功能仍是将组织透过资讯系统之联机事务处理经年累月所累积的大量资料，透过数据仓库理论所特有的资料储存架构，作一有系统的分析整理，以利各种分析方法如联机分析处理、数据挖掘之进行，并进而支持如决策支持系统、主管资讯系统（EIS）之创建，帮助决策者能快速有效的自大量资料中，分析出有价值的资讯，以利决策拟定及快速回应外在环境变动，帮助建构商业智能。
以辨证的眼光来看，数据仓库的兴起实际上是数据管理的一种回归，是螺旋式的上升。
今天的数据库就好比当年的层次数据库和网型数据库，它们面向事务处理；今天的数据仓库就好比是当年的关系数据库，它针对联机分析。
所不同的是，今天的数据仓库不必再为联机事务处理的特性而无谓奔忙，由于技术的专业化，它可更专心于联机分析领域的发展和探索。
数据仓库的概念一经出现，就首先被应用于金融、电信、保险等主要传统数据处理密集型行业。
国外许多大型的数据仓库在1996～1997年建立。
那么，什么样的行业最需要和可能建立数据仓库呢？
有两个基本条件：
第一，该行业有较为成熟的联机事务处理系统，它为数据仓库提供客观条件；第二，该行业面临市场竞争的压力，它为数据仓库的建立提供外在的动力。
Moodle是一个开源课程管理系统，也被称为学习管理系统或虚拟学习环境。
它已成为深受世界各地教育工作者喜爱的一种为学生建立网上动态网站的工具。
为了正常运行Moodle，它需要被安装在Web服务器上，无论是在自己的电脑或网络托管公司。
Moodle平台界面简单、精巧。
使用者可以根据需要随时调整界面，增减内容。
课程列表显示了服务器上每门课程的描述，包括是否允许访客使用，访问者可以对课程进行分类和搜索，按自己的需要学习课程。
Moodle的主要功能模块有管理系统、系统外观、用户管理、活动和资源、语言扩展、用户验证、个人资料、数据库等。
如图1.1所示。
图1.1Moodle系统基本结构图
Moodle的总体特征和功能
1、总体设计
Moodle比较容易安装，可以支持大量的多种类别课程，特别重视整个系统的安全性。
所有的界面设计风格一致、简单、高效，而且不需要特殊的浏览技能。
2、网站管理
网站是在安装时定义的管理者来进行管理的。
管理者进入“主题”既可以设定适合自己的网站颜色、字体大小、版面等。
在网站中还有活动模块，和43种语言包用以满足不同国家的学习者的需求。
而且一些代码已经清楚的写出，方便用户按照自己的需求对其进行修改。
3、用户管理
每一位用户都可以选择一种语言应用于Moodle的用户界面；可以指定自己的时区和相关的数据；鼓励学生建立一个在线档案，包括像片、个人描述、E-mail地址，而且这些信息可以依据用户要求不呈现；
如果学习者有一段时间不参加活动的话，管理员将有记录，其注册将自动退出。
为了安全起见，老师可以设定课程的登录密码，以阻止那些闲杂人等进入。
课程的开设账户仅仅对建立这些课程和教授课程的人公开。
目标是使管理者尽可能少的参与系统的安全保障。
通过将验证模块插件整合到系统中，来支持一些验证机制。
学生可以创建他们自己的登陆账号，而其电子邮件地址将需要验证。
为Moodle教学平台建立数据仓库，可以提高存储数据的质量，为数据分析提供帮助，从而可以分析学生的行为，对教学质量的改进具有重要的作用。
1.2研究现状
国外研究现状
UOPX凤凰城大学1989年开始提供在线学习模式。
现今已有110个校园与学习中心，分布在美国21个州、波多黎各及加拿大，是美国在校生规模最大的私立大学。
目前，凤凰城大学有近20万名学生，近万名在线教师。
著名的英国开放大学、都柏林城市大学Moodle系统、美国建设的Moodle课程学校、泰国建设的Moodle课程学校等目前全面引入Moodle在线学习平台由于开源软件Moodle是免费的，而且其功能强大，迄今为止，有近百个国家的2000余机构采用了Moodle进行在线教育。
在国外，数据仓库技术已经在各个行业得到了广泛的应用，比如零售业、金融保险业、交通运输以及其它的服务业。
数据仓库技术在这些行业上的应用大大提高了这些行业的服务水平，同时也加强了行业中的竞争。
在技术方面，各大型的数据库厂家和数据库产品，如Oracle，IBM的DB2，Microsoft的SOLServer都在最新发布的版本中重点增加了对数据仓库和数据分析和数据挖掘支持的特性。
同时还有各种图形化的ETL工具的出现和发展，如IBM的DataStage和Informatica公司的一系列的产品。
在表报和数据分析、数据挖掘方面，OLAP技术和产品日趋成熟，主要有BusinessObject，SAS等公司的产品。
还出现了如Teradata这类型完全专注于提供全面数据仓库解决方案的公司。
国内研究现状
国内的数据仓库的研究和应用相对国外起步较晚。
但随着国内大型企业的电子信息化的推进和市场竞争的日益激烈，数据仓库应用已经提上了很多企业的日程表。
目前国内很多大型的金融保险公司、电信公司和电力公司已经逐步建立起自己的大型数据仓库，用于支持企业的决策制定和提高服务水平和行业竞争力。
在这种强大的需求下，越来越多的人加入到这个领域的研究和实践中，也产生了一些专注于数据仓库的软件公司，并形成了一定的项目设计、开发和实施的能力。
数据仓库技术越来越受到重视。
在这种情况下，对一个成功的数据仓库的项目进行研究和分析，将有利于经验的总结积累和对新技术和管理方式的学习和探索。
Blackboard是一款功能和服务都很强大的优秀的商品化课程管理系统软件，目前正在国内的许多高校推广。
在我国现阶段，教育机构因使用商业软件而需支付的许可费用相当高昂，绝大多数学校难以承受，因此更有必要在计算机类教育中应用低成本的免费开源软件。
黎加厚教授认为Moodle“是开源软件、免费、设计的教育理念先进，其开放的理念使得全世界的教师和爱好者都可以参与到系统设计开发中，其功能越来越强大，成为国际上首选的能够替代Blackboard的适合中小学基础教育选用的学习环境。
”
由于Moodle不仅适用于中小学，还适用于大学、教师教育、成人教育、企业培训、教育培训、校本研究等领域。
黎加厚教授认为“Moodle作为一项整合了前人研究成果的课程/学习管理系统，站在前人的肩膀上，它的设计理念和技术汇集了近50年来人们对计算机在教育中的应用的实践和理论研究的成果。
”2007年，全国教师教育技术能力培训开始引入Moodle课程管理系统，作为教师培训的学习内容、学习环境、学习平台。
黎加厚教授在《Moodle课程设计》一书中，认为“Moodle更重要的作用还是帮助教师和学生组织教与学的资源和活动，为教师提供信息化的学习环境，促进高质量教学。
”在《以魔灯（Moodle）为媒连接课内外学习——基于魔灯的学习管理系统交互设计初探》一文中，骆莎、黎加厚提出Moodle在国内被形象地比喻为魔灯，意即能为教学带来福音的神灯,是一个开源的学习管理系统，它的出现为连接学生的课内外学习搭建了有力的桥梁，能使教师基于网络管理他们的课堂、课程、作业、活动、测验、考试和资源等等。
1.3作者的主要工作
本课题主要是基于一个数据仓库的建设过程，对数据仓库理论和实际设计和实现进行研究和分析。
本文中所介绍的设计方法和实现技术可适用于其他同样类型的数据仓库项目。
本文的主要研究内容包括：
1、分析数据仓库的基本理论和数据模型；
2、研究数据预处理技术在moodle教学平台数据仓库中的应用；
3、研究分析数据立方体的数据存储技术；
4、分析数据仓库OLAP设计原则和方法；
5、研究一些数据库技术在数据仓库系统中的合理应用；
6、分析一些在数据仓库设计和实现过程中的良好的设计方案对特定问题的解决
方案。
1.4本文的构成
本论文共分为六章。
（1）绪论
简要说明了本课题的背景，目前国内外的发展现状和本文的主要工作。
（2）相关技术介绍
对本文涉及领域的相关技术作出详细的介绍。
（3）系统需求分析
提出了数据仓库系统的总体方案设计，介绍了系统建设的原则目标、系统的建设模式和整体架构、系统采用的平台和工具。
（4）系统设计和逻辑模型设计
讨论了数据仓库的逻辑建模和系统详细设计。
（5）系统的实现和测试
综述moodle教学平台数据仓库系统实现的过程和技术并测试。
（6）总结和未来展望
介绍了系统的实现情况。
最后给出本文的结论并对未来的工作进行了展望。
总结本文工作，并对下一步发展作了一些展望。
2相关技术介绍
2.1数据仓库的理论
目前，数据仓库一词尚没有一个统一的定义，著名的数据仓库专家W．H．Inmon在其著作《Bui1dingtheDataWarehouse}一书中给予如下描述：
数据仓库（DataWarehouse）是一个面向主题的（SubjectOriented）、集成的（Integrate）、相对稳定的（Non-Volatile）、时变的（TimeVariant）数据集合，用于支持管理决策。
对于数据仓库的概念我们可以从两个层次予以理解，首先，数据仓库用于支持决策，面向分析型数据处理，．它不同于企业现有的操作型数据库；其次，数据仓库是对多个异构的数据源有效集成，集成后按照主题进行了重组，并包含历史数据，而且存放在数据仓库中的数据一般不再修改。
根据数据仓库概念的含义，数据仓库拥有以下四个特点：
1、面向主题
操作型数据库的数据组织面向事务处理任务，各个业务系统之间各自分离，而数据仓库中的数据是按照一定的主题域进行组织。
主题是一个抽象的概念，是指用户使用数据仓库进行决策时所关心的重点方面，一个主题通常与多个操作型信息系统相关。
2、集成的
面向事务处理的操作型数据库通常与某些特定的应用相关，数据库之间相互独立，并且往往是异构的。
而数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理得到的，必须消除源数据中的不一致性，以保证数据仓库内的信息是关于整个企业的一致的全局信息。
3、相对稳定的
操作型数据库中的数据通常实时更新，数据根据需要及时发生变化。
数据仓库的数据主要供企业决策分析之用，所涉及的数据操作主要是数据查询，一旦某个数据进入数据仓库以后，一般情况下将被长期保留，也就是数据仓库中一般有大量的查询操作，但修改和删除操作很少，通常只需要定期的加载、刷新。
4、时变的
操作型数据库主要关心当前某一个时间段内的数据，而数据仓库中的数据通常包含历史信息，系统记录了企业从过去某一时点（如开始应用数据仓库的时点）到目前的各个阶段的信息，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。
2.2企业级数据仓库解决方案的架构
一个完整的数据仓库解决方案的系统体系结构中包括；数据源层、数据采集层、
数据存储与管理层、应用服务层、门户管理层和最终用户层。
如图2一l所示是数据仓库的层次架构示意图：
图2.1数据仓库架构
1、数据源层
数据源层主要包括企业核心系统和其它业务系统的源数据。
数据仓库可通过ODBC，OLE—DB，文件模板等多种标准接口与这些系统互连。
2、数据采集层
数据采集层主要完成源系统向数据仓库的抽取、转输、转换和加载，这个过程就是ETL处理，需要配各ETL服务器完成数据抽取，转换和加载工作。
由于各个源系统的业务处理周期和处理方式不同，导致各种源数据的更新周期和方式有较大差异。
数据采集层必须能够适应和满足这些变化和需求，保证数据及时、正确、完整的进入数据仓库。
3、数据存储和管理层
数据存储和管理层是整个数据仓库的核心，它存储和管理来自各种源数据系统的数据，并为高访问用户提供数据服务。
这些数据和管理是按照逻辑数据模型分主题进行组织、重构和存放的，包括当前数据和较长期的历史数据。
本层的核心是企业级逻辑数据模型的规划和设计，逻辑数据模型是所有应用的基础。
4、应用服务层
应用服务层包括OLAP服务器、Web服务器、应用服务器等。
该层为用户访问数据仓库提供各种方式的服务，从而实现访问方式的多样化和存取的透明化。
5、门户管理层该层次位于用户和应用服务层之间，为用户层提供统一的门户、安全认证和用
户权限管理，并为用户管理报表、查询文档提供个性化定制。
6、用户层
用户层包括各种最终用户。
按照用户使用数据仓库的方式和特点，可以数据数、据仓库用户划分为业务人员、业务分析人员、决策人员和知识工作者等。
该技术体系结构中采用多层、可扩展框架结构，具有高度的扩展能力和方便的系统开发和维护性能，符合目前流行的多层应用结构，适合数据仓库多阶段、多层次的应用特点。
2.3数据仓库的基本数据模型
目前两类主流的数据仓库模型分别是由Inmon提出的企业级数据仓库模型和由Kimball提出的多维模型。
Inmon提出的企业级数据仓库模型采用第三范式（3NF），先建立企业级数据仓库，再在其上开发具体的应用。
企业级数据仓库固然是企业所追求的目标，但在缺乏足够的技术力量和数据仓库建设经验的情况下，按照这种模型设计的系统建设过程长，周期长，难度大，风险大，容易失败。
这种模型的优点是信息全面、系统灵活。
由于采用了第三范式，数据存储冗余度低、数据组织结构性好、反映的业务主题能力强以及具有较好的业务扩展性等，但同时会存在大量的数据表，表之间的联系比较多，也比较复杂，跨表操作多，查询效率较低，对数据仓库系统的硬件性能要求高等问题。
另一方面，数据模式复杂，不容易理解，对于一般计算机用户来说，增加了理解数据表的困难。
Kimball提出的多维模型降低了范式化，以分析主题为基本框架来组织数据。
以维模型开发分析主题，这样能够快速实施，迅速获得投资回报，在取得实际效果的基础上，再逐渐增加应用主题，循序渐进，积累经验，逐步建成企业级数据仓库。
这也可以说是采用总线型结构先建立数据集市，使所有的数据集市具有统一的维定义和一致的业务事实，这种方法融合了自下而上和自上而下两种设计方法的思想。
这种模型的优点是查询速度快，做报表也快：
缺点是由于存在大量的预处理，其建模过程相对来说就比较慢。
当业务问题发生变化，原来的维不能满足要求时，需要增加新的维。
由于事实表的主码由所有维表的主码组成，所以这种维的变动将是非常复杂、非常耗时的。
而且信息不够全面、系统欠灵活、数据冗余多。
本文主要研究多维模型的建模技术及其设计方法。
多维数据建模以直观的方式组织数据，并支持高性能的数据访问。
每一个多维数据模型由多个多维数据模式表示，每一个多维数据模式都是由一个事实表和一组维表组成的。
多维模型常见的是星形模式、雪花模型和星座模型。
2.3.1事实表和维表
事实表和维表是多维模型中的两个基本概念，事实表是数据分析所对应的主要数据项，一般是企业内的某项业务或某个事件。
事实表中的事实一般具有数据特性和可加性，这种特征对于分析型应用而言是非常重要的。
在这类应用中，人们所关心的不是单一的一条记录，而是关心汇总的、综合性的数据，因此一次性检索的记录可能是几百条、几千条甚至可能几百万条，而且还要求可能按不同的粒度汇总。
事实表中可以存储不同粒度的数据，同一主题中不同粒度的数据一般存储在不同的事实表中。
在数据仓库中，对于比较简单的主题，一般一个主题对应一个事实表，对于比较复杂的分析主题，很可能一个主题对应多个事实表。
维表中包含的一般是描述性的文本信息，这些文本信息将成为事实表的检索条件，如按地区分类查询销售信息，或按季度考察销售变化趋势等。
所以维表的属性长度可能出现较宽的情况，但它们的数据行数往往很小，在数据仓库中占用的存储空间也比较小。
维表中的维属性应该具体明确，体现出维层次的划分，能够成为分析型查询的约束条件，这是数据仓库与操作型应用在数据模型设计上的一个不同点。
维表层次的级别数量取决于查询的粒度。
在实际业务环境中，多维数据模型一般含有4-15维，更多的维数或更少的维数一般都很少见。
在具体工作中，设计人员一定要根据企业的实际情况确定相应的维。
在多维模型中，事实表的主码是组合码，维表的主码是简单码，事实表中与维表主码相对应的各个组成部分是外码。
事实表通过与各维相对应的外码值同维表联系在一起。
查询时通过事实表和维表之间的这种对应关系。
维表的主码一般都采用自增型整数类型实现。
事实表的主码通过维度信息和维表进行查找匹配得到维度的主码。
2.3.2星形模式
位于星形中心的实体是指标实体，是用户最关心的基本实体和查询活动的中心，为数据仓库的查询活动提供定量数据。
每个指标实体代表一系列相关事实，完成一项指定的功能。
位于星形图星角上的实体是维度实体，其作用是限制用户的查询结果，将数据过滤使得从指标实体查询返回较少的行，从而缩小访问范围。
每个维表有自己的属性，维表和事实表通过关键字相关联。
星形模式虽然是一个关系模型，但是它不是一个规范化的模型。
在星形模式中，维度表被故意地非规范化了，这是星形模式与OLTP系统中的关系模式的基本区别。
使用星形模式主要有两方面的原因：
提高查询的效率。
采用星形模式设计的数据仓库的优点是由于数据的组织已经过预处理，主要数据都在庞大的事实表中，所以只要扫描事实表就可以进行查询，而不必把多个庞大的表联接起来，查询访问效率较高。
同时由于维表一般都很小，甚至可以放在高速缓存中，与事实表作连接时其速度较快：
便于用户理解。
对于非计算机专业的用户而言，星形模式比较直观，通过分析星形模式，很容易组合出各种查询。
在星形模式中，每个维只用一个表表示，而且每个表包含一组属性。
例如，维表Loca
升级会员 