自己的想法是完善它的好方法。你可能发现自己的想法在纸上会变成一团糟。
写作是很痛苦的事情，但是当你越来越熟悉它的时候，就会很快了。如果你把它当作一种艺术，你就会在写作的过程中体会到无穷的乐趣。
写信也是练习的好方法。大多的文章也会因为风格很想给朋友的信件而易读(can be improved)。写日记也是很好的锻炼。这两种方法还有其他的好处。
无休止的修改格式而不是内容也是常犯的错误。要避免这种情况。
LaTex（附：CTex）是一个很好的工具，但是它自己有很多自定义的宏定义。你也可以利用别人类似的代码，许多站点（包括MIT）都维护有扩展库。
清楚自己想说什么。这是写清楚要的最难最重要的因素。如果你写出笨拙的东西，不断的修补，就表明不清楚自己想说什么。一旦真正想说了，就说吧。
从每一段到整个文章都应该把最引人入胜的东西放在前面。让读者容易看到你写的东西(Make it easy for the reader to find out what you've done)。注意处理摘要（carefully craft the abstract）。确定(be sure)说出了你的好思想是什么。确定你自己知道这个思想是什么，然后想想怎么用几句话写出来。大篇的摘要说明文章是写什么的，说明有一个想法但没有说到底是什么。
不要大肆夸耀你自己做的事情。
你经常会发现自己写的句子或者段落不好，但不知道怎么修补。这是因为你自己进入了死胡同。你必须回去重写。这会随着你的练习减少。
确信你的文章真的有思想（ideas）。要说清楚为什么，不仅仅是怎么样。
为人而写，不要为了机器而写。不仅仅需要正确，还需要易读。读者应该只做最明显简单的推理。
完成文章以后，删除第一段或者前面的几句话。你会发现这些话其实对主旨没有影响。
如果你在所有的工作做完以后才开始写，就会失去很多好处（benefit）。一旦开始研究工作，好的方法是养成写不正式文章的习惯，每隔几个月（every few months）记下最新的和你刚学的东西。从你的研究笔记开始比较好。用两天时间来写，如果太长的话就说明你太追求完美了。这不是要进行判断的东西，而是与朋友共享的。在封面上说明“草稿”（DRAFT-NOT FOR CITATION）。拷贝很多份，给那些感兴趣的人看，包括导师。这种做法对以后写正式的论文很有好处。
得到反馈：
如果你加入私人文章交流网（Secret Paper Passing Network），会收到很多别人的文章，他们请你评论。知道别人对论文的意见很重要。你给别人帮助，别人会在你需要的时候帮助你。而且，自己也能提高。为文章写有用的评论是一门艺术。你应当读上两遍，第一遍了解其思想（IDEAS），第二遍看表达。
当然也可以把自己的文章交给别人评价，要学会吸取有建设性的建议，忽略破坏性(destructive)和无意义的建议。为了得到建议，你要写清楚自己的观点，写你所作的事情，即使你没准备写一个没有完整的期刊或者会议文章，然后交给别人看。即使是将要发表的文章，也应该写清楚，这样可以增加得到建议的机会。以简要的形式降序组织评论（建议）对你和你所评论的人都有用：最上面内容相关，中间是风格和表述，最后是语法和文法。
引言 数据挖掘是指从数据集合中自动抽取隐藏在数据中的那些有用信息的非平凡过程,这些信息的表现形式为:规则、概念、规律及模式等。它可帮助决策者分析历史数据及当前数据,并从中发现隐藏的关系和模式,进而预测未来可能发生的行为。数据挖掘的过程也叫知识发现的过程。
一、数据挖掘技术 数据挖掘就是指
从数据库中发现知识的过程。包括存储和处理数据,选择处理大量数据集的算法、解释结果、使结果可视化。整个过程中支持人机交互的模式。数据挖掘从许多交叉学科中得到发展,并有很好的前景。这些学科包括数据库技术、机器学习、人工智能、模式识别、统计学、模糊推理、专家系统、数据可视化、空间数据分析和高性能计算等。数据挖掘综合以上领域的理论、算法和方法,已成功应用在超市、金融、银行、生产企业和电信,并有很好的表现。
二、数据挖掘的过程
挖掘数据过程可以分为3个步骤:数据预处理、模式发现、模式分析。
(1)数据预处理。实际系统中的数据一般都具有不完全性、冗余性和模糊性。因此,数据挖掘一般不对原始数据进行挖掘,要通过预处理提供准确、简洁的数据。预处理主要完成以下工作:包括合并数据,将多个文件或多个数据库中的数据进行合并处理;选择数据,提取出适合分析的数据集合;数据清洗、过滤,剔除一些无关记录,将文件、图形、图像及多媒体等文件转换成可便于数据挖掘的格式等。
(2)模式发现。模式发现阶段就是利用挖掘算法挖掘出有效的、新颖的、潜在的、有用的以及最终可以理解的信息和知识。可用于Web的挖掘技术有路径选择、关联分析、分类规则、聚类分析、序列分析、依赖性建模等等。
(3)模式分析。模式分析是从模式发现阶段获得的模式、规则中过滤掉不感兴趣的规则和模式。通过技术手段,对得到的模式进行数据分析,得出有意义的结论。常用的技术手段有:关联规则、分类、聚类、序列模式等。
三、数据挖掘在电力系统负荷预测中的应用
电力负荷预测是能量管理系统及配电管理系统的重要组成部分,是电力系统规划和运行调度的依据,也是电力市场化商业运营所必需的基本内容。负荷预测工作的关键在于收集大量的历史数据,建立科学有效的预测模型,采用有效的算法,以历史数据为基础,进行大量试验性研究,总结经验,不断修正模型和算法,以真正反映负荷变化规律。其过程为:
(1) 调查和选择历史负荷数据资料
多方面调查收集资料,包括电力企业内部资料和外部资料,从众多的.资料中挑选出有用的一小部分,即把资料浓缩到最小量。挑选资料时的标准要直接、可靠并且是最新的资料。如果资料的收集和选择得不好,会直接影响负荷预测的质量。通过建立计算机数据管理系统,利用计算机软件系统来自动管理数据。
(2) 负载数据预处理
经过初步整理,还用于数据分析的预处理,平滑异常值的历史数据和缺失数据的异常数据主要是水平的,垂直的方法附录。正在分析数据之前和之后的两个时间的负载数据作为基准,来设置要处理的数据时,要处理的数据的范围中最大的变化的数据的处理的水平超过该范围时,它被认为是坏的数据,使用平均法平滑变化;垂直负载数据预处理中的数据处理的考虑其24小时的小循环,即,相同的时间的日期不同的负载应具有相似的,同时负载值应保持在一定范围内,校正外的范围内的数据进行处理,在最近几天的坏数据,力矩载荷的意思。
(3) 历史资料的整理
一般来说,由于预测的质量不会超过所用资料的质量,所以要对所收集的与负荷有关的统计资料进行审核和必要的加工整理,来保证资料的质量,从而为保证预测质量打下基础,即要注意资料的完整无缺,数字准确无误,反映的都是正常状态下的水平,资料中没有异常的“分离项”,还要注意资料的补缺,并对不可靠的资料加以核实调整。通过建立数据完整性、一致性约束模型,来建立海量数据集为后面的数据挖掘做好充分的准备。
(4) 建立负荷预测模型
负荷预测模型是统计资料轨迹的概括,预测模型是多种多样的,因此,对于具体资料要选择恰当的预测模型,这是负荷预测过程中至关重要的一步。当由于模型选择不当而造成预测误差过大时,就需要改换模型,必要时,还可同时采用几种数学模型进行运算,以便对比、选择。
(5) 选择算法
选择聚类法又称聚类分析法,它是对一组负荷影响因素数据进行聚类的方法,聚类后的数据即构成了一组分类。聚类的标准是以数据的表象(即数据属性 值)为依据的,聚类的工具是将一组数据按表象而将相近的归并成类,最终形成若干个类,在类内数据具有表象的相似性,而类间的数据具有表象的相异性。聚类的算法也有很多,有遗传算法,划分法,层次法,基于密度方法,基于网格方法等。 四、CURE算法在负荷预测中的应用 CURE算法是一种分层聚类算法。典型的数据点来表示一个具有固定数目的聚类。的CURE算法需要作为参数输入的群集数?。由于CURE聚类的代表点的某些有代表性的,可以发现具有任何尺寸和形状的聚类。同时,在一个集群代表点的选择方式的中心“缩水”排除“噪音”。
历史上第一个数据库负荷预测,数据提取样品。的数据样本聚类,可以分为两种方法:一个是所有样本数据进行聚类,这个方法会使主内存容量是远远不够的,系统无法扫描一次完成。我们使用所有的样本数据被分成多个区域,每个区域的数据进行聚类,使每个分区可以品尝到所有的数据加载到主内存。然后,针对每个分区,使用分层算法的聚类。
电力系统的应用SCADA系统中的数据测量、记录、转换、传输、收集数据,并可能导致故障和负载数据丢失或异常。异常数据的生成是随机的,因此,在数据库中的不确定性的分布,不同类型的异常数据出现单独或在一个特定的时刻,或交叉混合发生在同一天连续,或在相同的连续天期的横分布,以及许多其他场合。异常数据的处理的关键影响的预测结果的准确性。使用两种不同的技术,以删除异常。第一种技术是要删除的集群增长缓慢。当簇的数量低于某一阈值,将只包含一个或两个集群成员的删除,第二种方法是在集群的最后阶段,非常小的集群中删除。
最后对样本中的全部数据进行聚类,为了保证可以在内存中处理,输入只包括各个分区独自聚类时发现的簇的代表性点。使用c个点代表每个簇,对磁盘上的整个数据库进行聚类。数据库中的数据项被分配到与最近的代表性点表示的簇中。代表性点的集合必须足够小以适应主存的大小。
结束语
数据挖掘技术虽然得到了一定程度的应用,并取得了显着成效,但仍存在着许多尚未解决的问题。随着人们对数据挖掘技术的深人研究,数据挖掘技术必将更加成熟,并取得更加显着的效果。
论文的撰写要结构合理、文字表达清楚确定，容易让人理解。形式上要尽量采取可视化的效果，例如多用图表来表现研究过程和研究结果。具体论文的撰写要考虑包含如下内容：摘要、研究介绍(包括背景、研究的问题、研究的目的)、研究的方法和步骤(样本选择、研究设计、数据收集、数据分析、研究的局限性)、研究的发现、结论(简要结论、建议、启示意义)、附录、参考文献。
针对社会科学和商务领域的问题研究，我们传统上所遵循的研究思维模式是：“提出问题、分析问题和解决问题”。我们承认这是一种创造性的思维过程。遵循这种思维方式可以帮助决策者快速找到问题，并解决问题。然而，用这一思维模式来指导研究的过程，容易使我们混淆研究者与决策者的地位，找不准研究者的定位。首先，这一研究思路和模式将问题的解决和问题的研究混在一起了。其次，没有突出，或者说掩盖了对研究方法的探讨和遵循。这种传统的思维方式是结果导向的思维方式。它忽略了问题的识别过程和研究方法的遵循过程。而从科学研究的角度看，问题的识别过程和研究方法的遵循过程是一项研究中非常重要的两个前提。问题的识别过程可以保证所研究的问题有很强的针对性，与理论和实践紧密联系，防止出现只做表面文章的情况，解决不了根本问题。研究方法的遵循过程可以保证研究结果的可靠性，使研究结果有说服力。当然，在此，我们并不是说明“提出问题、分析问题和解决问题”这一传统模式是错误的，也不否认研究的目的是指导实践。然而，我们觉得，这一传统研究思维模式太笼统，太注重结果导向，不足以说明科学的研究的一般方法和研究步骤。
在社会科学和商务研究中，运用这一传统的研究思路和模式来指导学生撰写论文，容易出现两个不良的倾向。一是使我们过于重视论文本身的写作过程，而忽略了论文写作背后的研究过程和研究方法。也就是只强调结果，不重视过程。在此情况下，论文的写作多半是进行资料的拼凑和整合。当然我们并不能低估资料的拼凑和整合的价值。可是，如果一味将论文的写作定位在这样的过程，显然有就事论事的嫌疑，无助于问题的澄清和问题的解决，也有悖于知识创造的初衷。特别是，既没有识别问题的过程，也没有形成研究问题和研究假设，甚至没有用任何可以遵循的研究分析方法，就泛泛对一个问题进行一般描述，进而提出感觉上的解决方案。这种研究结果是很难被接受的。第二个不良的倾向是上述传统的研究思路和模式使我们辨别不清我们是在做研究，还是在做决策。研究通常是在限定的一个范围内，在一定的假设前提下进行证明或推理，从而得出一定的结论。我们希望这个结论对决策者能产生影响。然而，决策者毕竟与研究者所处的地位是不一样的，考虑的问题与研究者或许一致，或许会很不一致。有价值的研究是要给处在不同地位的决策者(或者实践者)给予启示，并促其做出多赢的选择。因此，传统的研究思维模式缺乏研究的质量判定标准，缺乏系统性和可控性，也不具备可操作性，容易让研究者急功近利，盲目追求片面的终极的解决方案。
在指导对外经济贸易大学研究生的实践中，我们曾试图改变以往的传统思维模式，尝试让我们的研究生将论文的写作与研究过程结合起来，特别注重研究的过程和研究方法，并且要求在论文的写作中反映这些研究的方法与步骤。例如，2002届研究生万莲莲所写的《电子采购系统实施中的管理因素-摩托罗拉公司电子采购系统实施案例研究》硕士论文就是在这方面所做的最初探索。此论文的结构就分为综述、指导理论、方法论、数据分析，以及研究结论和启示等五个主要部分，运用了问卷调查和深度访谈等定性和定量的各种具体方法。其研究结论具有非常强的说服力，因为研究者并不限于第二手资料的收集、整理和加工，而是借鉴前人的理论研究框架，运用问卷定量调查等手段，遵循案例研究的方法，对第一手资料进行收集、处理和分析之后得出的结论，对实践具有较强的指导意义。相同的研究方法，我们又应用在其他研究生的论文写作过程中，例如2002届龚托所写的《对影响保险企业信息技术实施的主要因素的研究》、2003届王惟所写的《对中国铜套期保值现状的研究》，以及2003届马鸣锦所写的《中国银行业知识管理程度与网络银行发展程度的关系研究》等。通过论文写作，这些研究生的确掌握了一般研究的方法和研究的步骤。以上的研究结论对教学和实践直接有借鉴的意义。在教学和咨询过程中，其方法和结论都得到了肯定。据多方反馈，效果还是非常好的。
数据的分析就是运用上述所提到的定性或定量的分析方法来对数据进行分析。研究者要根据回答不同性质的问题，采取不同的统计方法和验证方法。对于有些研究，仅需要描述性的统计方法，对于另一些研究可能就需要对假设进行验证。在统计学中，假设的验证需要推论的统计方法(Inferential Statistics)。对于社会科学和商务的研究，一些研究是针对所获取的样本进行统计差异(Statistical Significance)的验证，最终得出结论是拒绝(Reject)还是不拒绝(Fail to Reject)所设定的假设条件。另一些研究则是进行关联度分析(Measures of Association)，通常涉及相关分析(Correlation)和回归分析(Regression)。相关分析是通过计算来测度变量之间的关系程度;而回归分析则是为预测某一因变量的数值而创建一个数学公式。
值得注意的是，随着我们研究和分析的问题越来越复杂，计算机和统计软件的发展使得多变量统计工具应用越来越广泛。如果多变量之间是从属关系，我们就需要从属关系的分析技巧(Dependency Techniques)，如多元回归分析(Multiple Regression)、判别分析(Discriminant Analysis)、方差的多元分析(MANOVA，Multivariate Analysis of Variance)、典型相关分析(Canonical Analysis)、线性结构关系分析(LISREL，Linear Structural Relationships)、结合分析(Conjoint Analysis)等。如果多变量之间是相互依赖关系，我们就需要相互依赖关系的分析技巧(Interdependency Techniques)，如因子分析(Factor Analysis)、聚类分析(Cluster Analysis)、多维尺度分析(Multidimensional Scaling)等。如果收集的数据有明显的时间顺序，我们不考虑变量之间的因果关系，而是重点考察变量在时间方面的发展变化规律，我们就需要时间序列分析(Time Series Analysis)。目前流行的统计软件，如SPSS对上述各种分析方法都提供非常好的支持。
1电子商务中的数据挖掘简介
电子商务中的数据挖掘即Web挖掘，是利用数据挖掘技术从www的资源(即Web文档)和行为(即Web服务)中自动发现并提取感兴趣的、有用的模式和隐含的信息，它是一项综合技术，涉及到Internet技术学、人工智能等多个领域。当电子商务在企业中得到应用时，企业信息系统将产生大量数据，并且迫切需要将这些数据转换成有用的信息，为企业创造更多潜在的利润，数据挖掘概念就是从这样的商业角度开发出来的。
2Web数据挖掘的流程
Web数据挖掘是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取商业决策的关键性数据，可以使企业把数据转化为有用的信息帮助决策，从而在市场竞争中获得优势地位。在电子商务环境下，Web数据挖掘主要分为以下几步:(1)数据收集。首先数据收集主要针对web数据中的服务器数据、用户数据。其中服务器数据是Web挖掘中的主要对象。服务器中承载着用户访问时产生的对应的服务数据，其中包括了:日志文件、cookie文件、数据流。将这些数据进行初步收集，再针对这些数据进行深度分析挖掘。(2)数据选择和预处理。通过数据收集将数据进行分类，根据所需的信息主题对收集的数据进行选择，通过选择相关的数据项缩小数据处理的范围，挑选其中的有效数据进行数据预处理。数据预处理能够提高挖掘效率，为之后的数据分析提供有效的数据。Web数据中大多数都是半结构或非结构化的，所以对web数据进行直接处理是不可行的。数据预处理能够把半结构或非结构化的数据处理成标准的数据集方便后期处理。(3)模式发现。模式发现是运用各种方法，发现数据中隐藏的模式和规则。通过模式发现技术对预处理之后的数据进行处理得到相应的事务数据库，利用模式发现对数据进行初步挖掘，将预处理下的事务数据转换成可被挖掘的存储方式，通过数据挖掘模式算法对其中有效的、新奇的、有用的及最终可以理解的信息和知识进行挖掘与总结。(4)模式分析。模式分析主要是采用合适的技术和工具，对挖掘结果进行模式的分析，其目的是根据实际应用，通过观察和选择，把发现的统计结果、规则和模型转换为知识，经过筛选后来指导实际的电子商务行为。
3电子商务中的数据挖掘技术
(1)路径分析技术。路径分析主要是对web访问路径进行搜索分析，对于频繁访问的路径进行总结。利用Web服务器的日志文件进行数据分析，对访客次数以及对应路径进行分析挖掘出频繁访问路径。通过数据可以分析出大多数访问者的共同喜好，从而能够帮助电子商务改进web设计以及提供更好更符合客户的服务。(2)关联分析技术。关联技术是通过对数据进行分析寻找出隐藏的数据联系，关联分析可是对单纯的web数据与对应的电子商务进行联系。从而可以在web数据挖掘中得到该商务网站的关联原则和信息。从而更好的使得客户和网站数据有之间的相互联系。(3)聚类分析技术。聚类分析是根据对象进行数据分析了之后，对数据的信息和客户对象之间的关系进行总结。对数据对象进行分组成为多个类或簇，按照数据对象之间的相似度进行划分。(4)分类分析技术。分类分析是通过对数据库中样本数据的分析，对每个类别做出准确的描述或分析模型或挖掘分类规则。分类分析是电子商务中一个非常重要的任务，也是应用最广泛的技术。通过分类自动推导给定数据的广义描述，以便对未来数据进行预测。
4Web数据挖掘技术在电子商务中的应用
(1)制定优质个性化服务。电子商务的发展给了人们更多元化的选择，同时，电商网站经营的商品也在不断增加，在这样多元化的网站结构中想要快速找到符合自己的商品必定会是一个繁琐的.过程。然而通过数据挖掘对浏览量、购买力、搜索强度进行合理应用，针对数据分析结果对网站进行制定优质的个性化服务设计，更合理的安排网站中的物品摆放，从而为用户提供更个性化的服务。(2)优化站点设计。Web设计者可通过挖掘用户的Web日志文件，对Web站点的结构和外观进行设计和修改。网站网页的内容设置直接影响网站的访问效率。网站管理员按照大多数访问者的浏览模式对网站进行组织，尽量为大多数访问者的浏览提供方便，给客户留下好的印象，增加下次访问的机率。(3)聚类客户。在电子商务中，聚类客户就是主要的运营策略，可以对客户浏览的信息等内容出发，对客户的共性进行分类，从而让电子商务的运营者能更加全面的了解客户的需要，对网页的内容进行适当的调整，并在多方面满足客户的内在需要，尽最大限度的为客户提供优质的、合适的服务。(4)营销效益分析。利用web数据挖掘对商品访问和销售情况进行有效分析，这样能够确定一些营销及消费的生命周期。再者结合目前的市场变化，针对不同的产品进行定制独特的营销策略。数据挖掘能够有助于提高电商的营销效益。
5结语
综上所述，web数据挖掘在电子商务的应用越来越广泛，web数据挖掘能够在海量数据里挖掘出有用的信息。通过数据处理把握客户动态、追踪市场变化，在激烈的市场竞争中，做出正确的决策。Web数据挖掘在电子商务领域中一定会有广阔的应用前景，它将带领电子商务系统走向更加智能化、使客户服务走向更加个性化。
参考文献:
［1］袁鸿雁．Web数据挖掘技术在电子商务中的应用研究［J］．电脑与电信，20xx(3):23～24．
［2］叶小荣．WEB数据挖掘技术在电子商务中的应用研究［J］．北京电力高等专科学校学报，20xx．
［3］马宗亚，张会彦．Web数据挖掘技术在电子商务中的应用研究［J］．现代经济信息，20xx(6X):395．
［4］邰宇．Web数据挖掘技术在电子商务中的应用研究［J］．中国新技术新产品，20xx(2):21．
一、在对计算机病毒数据库的数据挖掘方面存在的问题和局限
对计算机病毒数据库的数据挖掘技术有限
据有关调查，目前的信息技术行业对计算机病毒数据库的数据挖掘在技术方面还是存在局限与问题的；从客观层面上来讲，没有哪一种计算机的技术可以完全杜绝或制止计算机病毒对计算机数据库的侵入和威胁，这种糟糕情况的出现，不仅给单个计算机的系统造成损害，而且给整个计算机技术行业在某些时候也会造成不必要的损失和危害。所以说，开创有关减弱甚至是消灭计算机病毒数据库的计算机技术就显得尤为重要。
对计算机病毒数据库的数据挖掘效率极低
我们都知道，可以利用相应的计算机技术来对计算机病毒数据库的数据进行挖掘，但是就目前而言，单一而又较为简单的计算机技术很难高效地对数据进行挖掘，只能够从具有病毒的数据库中挖掘出极少数数据甚至是挖掘不出来。所以说，提高计算机病毒数据库的数据挖掘效率也就显得尤为重要。
对计算机病毒数据库的数据挖掘成本较高
值得注意的`是，某些计算机病毒数据库中的数据是值得使用和发挥作用的，所以，计算机行业的某些操作人员就会尽可能采用多种渠道和方法来对有用的数据进行挖掘和分析，这样一来，通常花费的成本就会相对地高，不免也就会给某些企业造成沉重的负担。所以说，降低对计算机病毒数据库的数据挖掘成本就显得尤为重要了。
二、计算机病毒数据库的数据挖掘的策略与方法
实施相应的计算机病毒监控技术
如何进一步地减弱计算机病毒对计算机数据库的侵入和威胁，我们需要慎重考虑，而实施相应的计算机病毒监控技术已成为此时的无疑之策；进一步来说，就是设置多种监控技术，例如设置内存监控，配备相应的文件监控，还有就是注册不同的表监控等等，这些都是有效地减弱甚至是防止计算机病毒侵袭数据库的监控技术。总之，我们通过这些技术，就会尽可能的从计算机病毒数据库中挖掘出需要的数据。
配置适当的计算机病毒源的追踪设备
据有关部门调查，目前使用较为有效的计算机病毒源的追踪设备就是邮件追踪设备，它能够有效地通过相应的消息或指令来对计算机的查询进行追踪，这样就能够高效地检测出是否有计算机病毒侵入。依据这种情况，我们可以进一步开拓思维，尤其是计算机行业的管理员和操作人员，更应该为计算机设计出以及配置适当的不同的计算机病毒源的追踪设备，从而使人们在计算机病毒侵入数据库的情况下，仍然能够得到自己想要的正常数据。
设置独特的计算机反病毒数据库
所谓的计算机反病毒数据库，就是在计算机操作系统的底部值入反病毒的指令或程序，让它成为计算机系统内部数据库的底层模块，而不是计算机系统外部的某种软件。这样一来，当计算机的病毒侵入系统内数据库时，就会被底层的反病毒程序代码或指令反攻出来，就进一步达到了减弱甚至消除计算机病毒对计算机数据库的侵袭和威胁的目的，那么我们这时就可以挖掘出必需的数据了。
三、结束语
概而言之，就现在的计算机病毒来说，可谓是呈现日益猖獗的态势；也就是说，计算机技术迅速发展了，计算机病毒也就会跟其迅速“发展”。我们想要有效地遏制住计算机病毒，从计算机病毒数据库中挖掘出必需的数据，对于普通人来说就应该多多了解一些预防计算机病毒侵入的知识；而对于计算机行业的管理员或操作人员来说，就应该多设计出一些遏制计算机病毒侵袭的软件或方案，从而使我们的计算机环境更干净，更安全。
