<form id="j1z55"><th id="j1z55"></th></form>

      <span id="j1z55"><span id="j1z55"><track id="j1z55"></track></span></span>

      <form id="j1z55"></form>
        <em id="j1z55"></em>
        首頁 解決方案 典型案例 行業新聞 資質榮譽 產品中心 關于我們
        您所在位置 > 首頁 > 產品中心
        產品中心 / Products
        產品中心
        金鉆芯大數據平臺

        1       大數據平臺的需求分析

        1.1  現狀描述

        Hadoop是一個由Apache基金會所開發的開源的分布式系統基礎框架。目前,Hadoop已成為大數據的代名詞,是事實上的大數據標準。Hadoop框架最核心的設計就是:分布式文件系統HDFS和分布式計算編程模型MapReduce。HDFS為海量的數據提供了存儲,而MapReduce為海量的數據提供了計算。


        Hadoop架構

        目前,業界普遍基于開源Hadoop的大數據解決方案框架,如圖:

         

        n  基于Hadoop解決方案的優點

        高擴展性Hadoop采用物理服務器集簇方式部署,可以方便地橫向擴展,實現存儲空間的動態線性擴充。

        高效性:充分利用集群的威力進行分布式高速運算,并能夠在節點之間動態地移動數據。

        高容錯性Hadoop能夠自動保存數據的多個副本,并且能夠自動將失敗的任務重新分配。

        低成本:利用中低端機架式服務器集群部署,無需采用小型機,無需建設大規模的集中存儲。

        n  當前基于Hadoop解決方案的缺點

        1、數據沒有統一視圖,存儲架構混亂。

        2、MapReduce應用場景受限,不適合低延遲數據訪問,即適用于離線批處理統計,不適用于實時交互分析。

        3、在線查詢應用只能使用Hbase,而Hbase只支持行鍵查詢,使用場景單一。實際應用中會將Solr集成到方案中,和Hbase配合使用,但又造成了索引的額外存儲(無法和HBASE存儲在一起),這就就存在相互間關聯的問題,勢必造成時延。

        4、HDFS采用塊存儲方式,無法高效存儲大量小文件。

        5、HDFS不支持多用戶寫入及任意修改文件。

        6、開源系統的商業支持性差,實施復雜,無法快速構建,開源軟件或多或少都存在一定的系統BUG或優化不足等問題,由此定會涉及意料之外的實施、管理和支持成本。

         

        1.2  系統需求分析

        最重要的現實是對大數據進行分析,只有通過分析才能獲取很多智能的,深入的,有價值的信息。之前只是一直沒有足夠的基礎設施和技術來對這些數據進行有價值的挖據。隨著存儲成本的不斷下降、以及分析技術的不斷進步,尤其是云計算的出現,不少公司已經發現了大數據的巨大價值:它們能揭示其他手段所看不到的新變化趨勢,包括需求、供給和顧客習慣等等。比如,銀行可以以此對自己的客戶有更深入的了解,提供更有個性的定制化服務;銀行和保險公司可以發現詐騙和騙保;零售企業更精確探知顧客需求變化,為不同的細分客戶群體提供更有針對性的選擇;制藥企業可以以此為依據開發新藥,詳細追蹤藥物療效,并監測潛在的副作用;安全公司則可以識別更具隱蔽性的攻擊、入侵和違規。

        這對企業和組織的信息分析和管理提出了挑戰,傳統的分析方法和處理能力已無法滿足海量數據環境下的需求,主要表現在以下幾方面:

        l  高速海量數據的采集和存儲變得困難

        一分鐘內, Twitter 上新發的數據數超過 10 ;社交網絡 Facebook 的瀏覽量超過 600 ......我們正處于一個信息大爆炸的時代:寬帶普及帶來的巨量日志和通訊記錄,社交網絡每天不斷更新的個人信息,視頻通訊、醫療影像、地理信息、監控錄像等視頻記錄,傳感器、導航設備等非傳統 IT 設備產生的數據信息,以及持續增加的各種智能終端產生的圖片及信息,這些爆炸性增長的數據正在充斥整個網絡。據權威市場調查機構 IDC 預測,未來每隔 18 個月,整個世界的數據總量就會翻倍; 2020 ,整個世界的數據總量將會增長 44 ,達到 35.2ZB(1ZB=10 TB)。如此海量的數據規模的采集和存儲,對傳統的系統來說是不可完成的任務,這使得使用傳統技術進行高速海量安全數據的采集和存儲已不可行。

        l  異構數據的存儲和管理變得困難

        與之前的數據相比,互聯網時代的大數據的數據結構更加多樣化,圖像、視頻和文檔的比例占據大半江山。數據顯示,每年諸如郵件、視頻、微博、帖子、手機呼叫、網頁點擊等類型的非結構化數據增長率就達 80%。而且這些數據里面包含了很多有價值的信息。如果能有效地把它們的價值挖掘出來,這無疑會為企業帶來巨大的經濟效益。但是這都是建立在如何存儲和管理的基礎上,后期再進行分析。

        l  孤立少量的數據分析價值較小

        其實也就是說孤證不立,如果想通過數據分析得出某種結論,那么待分析的數據樣本一定要夠完整豐富,否則無法得到比較正確的結論。

        l  海量數據的檢索能力很弱

        傳統的系統通過對關系型數據庫的查詢來實現業務的開展,隨著數據量增大,查詢效率變得非常低,查詢延時,再加上組合查詢條件,查詢效率和時延無法滿足現在需求。

         

        統相互獨立,協同工作困難

        現代企業和組織已建設了大量的信息基礎設施和系統,系統之間相互獨立,各自完成不同的功能,條塊分割,各管一攤的現狀造成了組織在信息管理過程中形成了信息孤島,如何解決這些信息孤島,形成完整的信息技術體系。這是迫切需要考慮的問題。

         

        l  分析的方法較少

        越來越多的應用涉及到大數據,這些大數據的屬性,包括數量,速度,多樣性等等都是呈現了大數據不斷增長的復雜性,所以,大數據的分析方法在大數據領域就顯得尤為重要,可以說是決定最終信息是否有價值的決定性因素。

        預測性分析能力:數據挖掘可以讓分析員更好的理解數據,而預測性分析可以讓分析員根據可視化分析和數據挖掘的結果做出一些預測性的判斷。

        數據質量和數據管理:數據質量和數據管理是一些管理方面的最佳實踐。通過標準化的流程和工具對數據進行處理可以保證一個預先定義好的高質量的分析結果。

        可視化分析:不管是對數據分析專家還是普通用戶,數據可視化是數據分析工具最基本的要求?梢暬梢灾庇^的展示數據,讓數據自己說話,讓觀眾聽到結果。

        語義引擎:我們知道由于非結構化數據的多樣性帶來了數據分析的新的挑戰,我們需要一系列的工具去解析,提取,分析數據。語義引擎需要被設計成能夠從“文檔”中智能提取信息。

        數據挖掘算法:可視化是給人看的,數據挖掘就是給機器看的。集群、分割、孤立點分析還有其他的算法讓我們深入數據內部,挖掘價值。這些算法不僅要處理大數據的量,也要處理大數據的速度。

        l  對于趨勢性的東西做態勢感知困難

        態勢感知就是針對用戶的一類或多類數據,利用數據挖掘手段(統計、分類、聚類等)展示數據統計分類結果,感知數據關聯關系,并且根據需求對數據發展趨勢進行預測的一個系統。

        態勢感知的目的是發揮數據價值,提高決策水平,直觀描述用戶所關心事件的發展過程和未來趨勢。

        目前態勢感知面臨的問題:有數據但沒有分析、不知道該如何挖掘、懂業務的人看不懂數據。

         

        2       金鉆芯大數據基礎平臺總體設計

        2.1  總體架構設計

        金鉆芯大數據基礎平臺包含三個組成部分:采集層、存儲層、計算管理層。

        金鉆芯大數據基礎平臺具有完整的上下游產品支撐,為用戶提供了數據的采集、存儲、批處理、數據流分析、全文搜索以及數據共享服務,在解決方案中:

        n  采集層

        使用金鉆芯數據集成系統支持數據的實時增量采集和清洗,主要功能為:數據轉換、數據合并和分拆、數據過濾、數據去重、數據校驗。

        n  存儲層

        使用金鉆芯分布式數據庫系統支持結構化數據和非結構化數據的存儲(基于HDFS),此外還有獨特的文件系統UFS支持海量小文件的存儲。

        n  計算管理層

        使用金鉆芯分布式數據庫系統UDB作為搜索引擎,金鉆芯算法庫UMT作為機器學習,Spark作為交互式實時分析計算框架,Spark Steaming作為流式計算引擎,UMS作為管理系統。

         

        2.2  核心功能設計

        2.2.1            數據集成

        金鉆芯數據集成系統(以下簡稱:金鉆芯數據集成系統)是一套完整的數據加工處理工具,具備數據清洗、數據轉換、數據影射、數據分配、數據跟蹤、數據質量檢查以及數據匯總等功能。

        金鉆芯數據集成系統滿足政府部門建設數據倉庫及數據集市、數據集中、對內對外信息處理加工等應用中的數據加工處理需求。

        金鉆芯數據集成系統可以訪問所有類型、結構或來源的所有數據——從各種數據庫系統到XML 文檔和電子表格;可以支持不斷變化的IT 環境,擁有開放式的、獨立于硬件平臺的體系結構;可以簡化數據集成過程并加速開發、部署以及維護的一個統一的體系結構;基于元數據和開放標準的共享服務方法,可提供透明性、互操作性和靈活性。

        2.2.2            數據存儲

        l  HDFS——分布式計算的存儲基石

        HDFS是分布式計算的存儲基石,Hadoop分布式文件系統對于整個集群有單一的命名空間;具有數據一致性,都適合一次寫入多次讀取的模型,客戶端在文件沒有被成功創建之前是無法看到文件存在的;文件會被分割成多個文件塊,每個文件塊被分配存儲到數據節點上,而且會根據配置由復制文件塊來保證數據的安全性。

        HDFS通過三個重要的角色來進行文件系統的管理:NameNode、DataNodeClient。NameNode可以看做是分布式文件系統中的管理者,主要負責管理文件系統的命名空間、集群配置信息和存儲塊的復制等。NameNode會將文件系統的 Metadata存儲在內存中,這些信息主要包括文件信息、每一個文件對應的文件塊的信息和每一個文件塊在DataNode中的信息等。DataNode是文件存儲的基本單元,它將文件塊(Block)存儲在本地文件系統中,保存了所有BlockMetadata,同時周期性地將所有存在的 Block信息發送給NameNode。Client就是需要獲取分布式文件系統文件的應用程序。

        l  UDB——分布式NoSQL數據庫

        UDB分布式數據庫是專門針對大數據分析應用場景而設計,兼具事務處理功能,底層采用分布式架構,計算引擎設計遵循SQL99標準,提供PLSQL接口,成功解決了普遍存在的采用分布式架構同時兼容基于SQLORACLE應用的難題,全面支持結構化和非結構化數據的處理,同時UDB數據庫擁有獨特的壓縮存儲專算法,極大地提高了計算和存儲速度,支持高并發的分析統計和查詢,具有高安全、高速度、易使用、易維護、低成本等特點,在普通商用服務器集群的環境下,成功實現海量數據(1PB,1000億條記錄)處理的秒級響應,速度和性能遠超在同樣配置下的國際先進數據庫軟件,或者達到其在豪華配置下才能實現的速度和性能。大大提高了數據處理效率,節省了數據處理成本。

        對結構化數據,UDB分布式數據庫全面支持SQL99,借鑒了目前國內外所有的領先技術,集百家之所長,功能上與國際先進數據庫(Oracle、Microsoft SQLServer等)一樣強大,在無縫切換的同時使用分布式技術,提高性能、降低成本。

        對于非結構化數據,UDB分布式數據庫很好地實現磁盤資源的合理利用,全面支持對于海量文件的管理諸如檢索、過期等,并且還可以與結構化數據聯動,為業務系統的開發提供了更大的彈性。

        在整體使用方面,UDB分布式數據庫也非常重視并提供了診斷、調優、運維、備份恢復等方面不可或缺的基礎功能。

        l  UFS——分布式云存儲系統

        金鉆芯云存儲系統UFSUniversal File System)基于scale-out存儲架構設計,具有強大的橫向擴展能力,能夠支持存儲容量無限擴展和滿足處理數千客戶端并發讀寫需求,可廣泛用于海量圖片文件、視頻片段等任意大小文件的存儲。

        UFS主要解決了海量的文件(主要是圖片、視頻、音頻等)存儲和高并發訪問的問題,并在文件存取時實現了負載均衡。同時它使得應用程序可以在任意地點通過WEB訪問到這些文件,當然也支持各種移動設備對UFS系統的訪問。與其它存儲系統相比,UFS最大的特點在于它的高性能。

         

        2.2.3            離線計算

        MapReduce 是一個高性能的批處理分布式計算框架,用于對海量數據進行并行分析和處理。與傳統數據倉庫和分析技術相比,MapReduce 適合處理各種類型的數據,包括結構化、半結構化和非結構化數據。數據量在 TB PB 級別,在這個量級上,傳統方法通常已經無法處理數據。MapReduce 將分析任務分為大量的并行 Map 任務和 Reduce 匯總任務兩類。Map 任務運行在多個服務器上。

        指定一個Map(映射)函數,用來把一組鍵值對映射成一組新的鍵值對,指定并發的Reduce(歸約)函數,用來保證所有映射的鍵值對中的每一個共享相同的鍵組。把一堆雜亂無章的數據按照某種特征歸納起來,然后處理并得到最后的結果。Map面對的是雜亂無章的互不相關的數據,它解析每個數據,從中提取出keyvalue,也就是提取了數據的特征。經過MapReduceShuffle階段之后,在Reduce階段看到的都是已經歸納好的數據了,在此基礎上我們可以做進一步的處理以便得到結果。

         

        2.2.4            實時分析

        Spark 是一種與 Hadoop 相似的開源集群計算環境,啟用了內存分布數據集,除了能夠提供交互式查詢外,它還可以優化迭代工作負載。擁有Hadoop MapReduce所具有的優點;但不同于MapReduce的是Job中間輸出結果可以保存在內存中,從而不再需要讀寫HDFS,因此Spark能更好地適用于數據挖掘與機器學習等需要迭代的MapReduce的算法。Spark 是為了支持分布式數據集上的迭代作業,但是實際上它是對 Hadoop 的補充,可以在 Hadoop 文件系統中并行運行。

         

        2.2.5            流式計算

        Spark Streaming是構建在Spark上處理Stream數據的框架,基本的原理是將Stream數據分成小的時間片斷(幾秒),以類似batch批量處理的方式來處理這小部分數據。Spark Streaming構建在Spark上,一方面是因為Spark的低延遲執行引擎(100ms+),雖然比不上專門的流式數據處理軟件,也可以用于實時計算,另一方面相比基于Record的其它處理框架(如Storm),一部分窄依賴的RDD數據集可以從源數據重新計算達到容錯處理目的。

         

        2.2.6            搜索引擎

        UDB分布式數據庫的查詢引擎根據關系型數據結構的特點為SQL實現了類似Google Map/Reduce的并行處理技術:表數據已經被系統預先分割成多個小表,可以作為查詢引擎的多個輸入,主服務器解析SQL查詢,生成語法解析樹,然后根據解析樹以及小表數據在從服務器中的分配情況生成可執行的優化樹,UDB分布式數據庫引擎在執行優化樹時,把優化樹構造成一系列的作業(Job),而每個作業又由很多同類型的任務(Task)組成。作業被UDB分布式數據庫的查詢引擎按生成的順序執行,而在執行每一個作業時,它的組成任務被均勻分配到從服務器上并行執行,從而極大地提高了數據庫系統的查詢性能。主服務器收集最終的查詢結果,返回給用戶。UDB數據庫的作業由以下類型組成:Restrict,NormalJoin,OuterJoin,ExistsJoin,GroupBy,MergeGroupBy,Sort,MergeSort,Project等組成,而一個相對復雜的查詢(比如TPCH規范中的查詢)往往由幾十個作業組成,作業數量越多,并行程度越高,如果小表服務器(TabletServer)越多,查詢速度也越快。

        UDB分布式數據庫對非結構化文本文件的全文索引(如常用的PDF,Word,Excel,PPT,Txt以及Html等)實現全文索引功能,實現了基于HDFS的索引存儲,保證了索引數據的安全性,并對索引數據進行自動分段,由多服務器均衡管理。全文檢索時,多服務器對索引段并行檢索,這樣就提高了查詢效率。處理Bfile類型的文件時,利用現有的解析類庫,從不同格式的文檔中(例如HTML, PDF, Doc,Txt),偵測和提取出元數據和結構化內容。

        全文檢索的查詢方法與其他支持全文檢索的數據庫類似,使用CONTAINS謂詞進行全文檢索,UDB的全文檢索支持多個查詢詞之間的AND、OR、NOT等邏輯操作。

         

        2.2.7            管理系統

        金鉆芯大數據平臺管理系統UMS包含兩個子系統:

        一、平臺資源管理系統

        金鉆芯率先使用YARN在融合多個主流大數據計算框架之上,進行統一的資源管理框架。金鉆芯改進了Apache YARN資源管理框架,使得可在由分布式數據庫UDB提供的同一個數據視圖上,進行動態創建SQL交互式分析集群、Map/Reduce批處理集群、實時計算Spark集群以及流式計算Spark Streaming集群,提供多任務的計算資源配額管理、動態資源調配、資源共享的能力,企業客戶不再需要東拼西湊的混合架構,不需要孤立的多個集群,無需繁瑣的數據遷移與重復存儲,為企業建立一體化數據平臺提供有力支持。

        實現主要功能有:

        1、具備完整的資源分配與調度機制,能夠根據數據處理任務的級別,本身的屬性等,根據當前平臺的資源進行動態的調度分配,可對作業按照負荷、磁盤運行狀況、網絡運行狀況、資源分配狀態等,對數據處理作業進行有序、高效的調度,確保數據處理服務效率。

        2、在一個動態共享的物理資源池中運行多種業務框架邏輯集群。

        3、在同一個集群上運行多個實例,以隔離生產和實驗作業,甚至是多個版本的業務作業。

        4、無需重新設計底層基礎設施就可以構建新的集群計算框架,并使其與現存框架共存。

        5、采用相同的物理配置,管理方便、擴展便利;統一管理、統一監控、統一部署、統一運維。

        6、業務資源運行時按需分配,周期性釋放資源;最大限度的發揮平臺中全部計算資源和I/O資源的價值。

        二、集群可視化部署與監管系統

        該系統是金鉆芯大數據基礎平臺自動化部署工具,提供全中文與可視化圖形界面,解決了開源系統部署步驟繁瑣、命令行式命令容易出錯等問題。系統提供了豐富的日常運維管理工具,能夠管理集群各節點狀態、進行服務配置與生命周期管理、數據庫管理等各種方面。系統提供性能監控及分析工具,通過性能監控能夠獲取系統當前負載、瓶頸,為管理員進一步優化提供依據。同時,系統提供異常報警機制,當集群出現異常時,可及時以郵件等多種方式通知管理員,以便盡快解決問題。

         

        2.3  關鍵技術

        l  數據采集加工處理技術

        l  分布式海量數據存儲技術

        l  分布式實時流式計算分析技術

        l  基于MapReduce架構的批量數據處理技術

        l  大規模并行處理(MPP)數據庫技術

        l  彈性搜索引擎技術

        l  交互式查詢技術

        l  多種機器學習和數據挖掘技術

        l  云計算技術

         

        3       金鉆芯大數據基礎平臺功能介紹

        3.1  數據集成——監控器

        金鉆芯數據集成系統有獨立的監控器,具有以下功能:

        系統監控:監控服務器資源使用情況以及單個服務資源使用情況:CPU、內存、硬盤。

        服務監控:統一監控所有UTL服務實時狀態、實時流量等信息。

        服務管理:服務的添加、修改、刪除、控制、調度。

        服務審計:用于按條件查詢所有服務的總調度審計日志、任意一項服務的調度次數、每次調度的總出庫/總入庫記錄數、以及每次調度的控件出庫/入庫記錄數。

        報警查詢:用于按條件查詢所有服務的報警日志信息。

        用戶管理:用于管理訪問管理中心的所有用戶。

        操作審計:用于按條件查詢所有用戶在金鉆芯數據集成系統中的操作信息。當用戶執行用戶登錄、修改服務、部署服務、用戶退出、刪除服務、啟動服務、修改密碼、創建服務、停止服務等操作時,將記錄其操作審計信息。

        白名單功能:用于設置可以訪問金鉆芯數據集成系統的客戶端IP地址范圍。管理員登錄系統時,將首先驗證客戶端的IP地址,如果超出限制的IP范圍,則拒絕其登錄。

         

        監控器以B/S的方式,使用瀏覽器運行,客戶端無需安裝任何其它程序。

        監控器提供用戶名/口令方式的登錄和證書登錄兩種方式,確保賦予權限的用戶才能使用。

         

        3.2  數據集成——流程設計器

        在線流程設計器主要為用戶提供向導式的數據集成規則設置,從類別、處理階段、具體整合功能(動作)等,將設計過程劃分為階段、步驟、動作。最小的調度單元是任務,任務之間可以有關聯(某個任務必須在另一個任務結束之后才可以執行),手工調度則可以執行任何一個層次,最小到動作。

        在線流程設計器目前提供的功能有:作業流程設計、轉換流程設計、轉換文件導入、作業與多個轉換相關聯。

        提供大量的作業和轉換組件支持,可以組合成一個完整的數據轉換作業流程。通過條件測試控件配置和錯誤處理流程設置,即使轉換過程出現各種異常情況,都能確保轉換按照設定的流程運行。

         

        3.3  全文索引

        對結構化文本文件實現全文索引功能,實現了基于HDFS的索引存儲,保證了索引數據的安全性,并對索引數據進行自動分段,由多服務器均衡管理。全文檢索時,多服務器對索引段并行檢索,這樣就提高了查詢效率。處理Bfile類型的文件時,利用現有的解析類庫,從不同格式的文檔中(例如HTML, PDF, Doc,Txt),偵測和提取出元數據和結構化內容。

        全文檢索的查詢方法與其他支持全文檢索的數據庫類似,使用CONTAINS謂詞進行全文檢索,UDB的全文檢索支持多個查詢詞之間的AND、OR、NOT等邏輯操作。

        創建分詞索引:中文分詞建立索引速度在100MB/秒 。

        關鍵詞檢索速度:總量在15TB的文本數據,關鍵詞檢索響應時間小于3秒。

         

        3.4  大數據離線計算

        數據劃分和計算任務調度。將一個作業(Job)待處理的大數據劃分為很多個數據塊,每個數據塊對應于一個計算任務(Task),并自動 調度計算節點來處理相應的數據塊。作業和任務調度功能主要負責分配和調度計算節點(Map節點或Reduce節點),同時負責監控這些節點的執行狀態,并 負責Map節點執行的同步控制。

        減少數據通信,一個基本原則是本地化數據處理,即一個計算節點盡可能處理其本地磁盤上所分布存儲的數據,這實現了代碼向 數據的遷移;當無法進行這種本地化數據處理時,再尋找其他可用節點并將數據從網絡上傳送給該節點(數據向代碼遷移),但將盡可能從數據所在的本地機架上尋 找可用節點以減少通信延遲。

        減少數據通信開銷,中間結果數據進入Reduce節點前會進行一定的合并處理;一個Reduce節點所處理的數據可能會來自多個 Map節點,為了避免Reduce計算階段發生數據相關性,Map節點輸出的中間結果需使用一定的策略進行適當的劃分處理,保證相關性數據發送到同一個 Reduce節點;此外,系統還進行一些計算性能優化處理,如對最慢的計算任務采用多備份執行、選最快完成者作為結果。

         

        3.5  大數據實時分析

        交互式查詢、實時流的數據處理。Spark Streaming已支持了豐富的輸入接口,大致分為兩類:一類是磁盤輸入,如以batch size作為時間間隔監控HDFS文件系統的某個目錄,將目錄中內容的變化作為Spark Streaming的輸入;另一類就是網絡流的方式,目前支持Kafka、Flume、TwitterTCP socket。在WordCount例子中,假定通過網絡socket作為輸入流,監聽某個特定的端口,最后得出輸入DStreamlines)。Spark框架的高效和低延遲保證了Spark Streaming操作的準實時性。利用Spark框架提供的豐富API和高靈活性,可以精簡地寫出較為復雜的算法。編程模型的高度一致使得上手Spark Streaming相當容易,同時也可以保證業務邏輯在實時處理和批處理上的復用。

         

        3.6  兼容SQL 99

        UDB分布式數據庫依據傳統的關系型數據庫理論開發,遵循SQL99標準,但底層采用分布式架構,實現橫向無限擴展、無單點故障,易于維護。與傳統的關系型數據庫ORACLE保持了高度兼容(PL/SQL兼容),能夠提供數據和程序兩個層面的平滑遷移。

        版權所有:北京金鉆芯科技有限公司 2007-2027 保留一切權利 京ICP備19056231號-1    網站制作海大科技
        赢彩