随着数字经济的发展，将作为数字经济关键要素的数据看作一类新型资产已经获得共识。但是，并不是所有数据都可以作为资产。因此，哪些数据可以作为数据资产、作为数据资产的数据应该具备什么条件、如何将一个数据集转化为数据资产是当前数据产业、数字经济亟须解决的问题。研究了数据资产的特点和需具备的条件，提出了一个数据资产化基本框架，包括数据资源确权、数据价值确认与质量管控、数据装盒入库、货币计价与评估、数据资产折旧和增值的管理5个步骤，为数据资源的资产化提供了一条可行的路径。

“数据是有价值的，并将成为一种经济商品”的理念已成为共识，然而数据的非竞争性使数据价值有别于有形资产的价值。正确理解数据资产价值是实现数据共享与交换、发展数字经济的前提与保障。首先分析数据价值评价方法及数据资产的商品属性，然后讨论数据资产交易的市场模型，最后在综合数据资产属性及市场模型的基础上提出参与者利润建模方法。提出模型化数据市场参与者利润的相关特性，为参与者进入市场提供理论参考依据。

在互联网时代，每天都产生着不可估量的数据，在数据共享过程中，涌现出了数据隐私性和所有权归属等复杂问题。区块链是一种去中心化的分布式数据存储技术，引入区块链能消除集中式数据市场的弊端，但同时分布式数据市场又产生了安全与隐私问题。综述了国内外大数据交易市场的产业现状和研究进展，提炼了基于区块链的大数据共享流通平台应满足的性质。根据这些性质提出了一个基于区块链的数据市场框架，分析和讨论了这个框架中的安全性和隐私性问题及对应的解决方案。基于这个框架，实现了一个数据市场测试系统，并证实了该框架的可行性和安全性。

数据被认为是各类组织的宝贵资产，数据资产的标准化研究受到各个国家、行业和组织的重视。从标准视角介绍了国内外相关组织的数据资产方向的理论研究、实践以及与数据资产相关的标准化研究进展，并提出了数据资产的标准化思路以及数据资产管理的通用过程框架，为数据资产的管理和应用提供参考。

在数字经济时代，数据正日益成为企业重要的战略性资产，但数据资产管理能力的不足正在日益成为制约企业实现数据增值的关键问题。通过梳理数据资产管理的演进历史，明确数据资产管理的相关概念，分析当前数据资产管理的行业现状，阐述面向价值实现的数据资产管理体系的设计思路和主要内容，展示了完整的数据资产管理体系，强调了数据运营的重要作用，并构建了数据资产管理体系的实践路径，总结了数据资产管理的发展趋势。

利用大数据计算平台对大量的静态数据进行数据挖掘和智能分析助推了大数据和人工智能应用的落地。在面临互联网、物联网产生的日益庞大的实时动态数据的处理需求时，数据流计算被逐步引入目前的一些大数据处理平台中。针对数据流的编程模型，比较了传统软件工程的面向数据流的分析和设计方法与目前针对大数据处理平台的数据流编程模型提供的结构定义和模型参考，分析了两者的差异和不足，总结了数据流编程模型的主要特征和关键要素。分析了目前数据流编程的主要方式以及与主流编程工具的结合，针对大数据处理的数据流计算业务需求，给出了可视化数据流编程工具的基本框架和编程模式。

如今无界、乱序的大规模数据集越来越普遍，并且消费者对这些数据集的处理需求日益复杂，如时间语义、窗口以及处理时延等。针对在无界、乱序的大规模数据集上演进的数据处理需求，探讨了大数据处理中的数据流计算模型。一方面，从执行引擎层面分析了大数据处理中的数据流计算模型所体现的数据流图；另一方面，从统一编程层面分析了大数据处理中的数据流计算模型所体现的数据流编程模型。在此基础上，进一步结合Spark批处理引擎和Flink流计算引擎等多个执行引擎，对比分析了数据流图和数据流编程模型在2类执行引擎中的具体实现。

以集群为基础的高性能计算的发展经历了3个阶段的演化，即计算子系统与存储子系统的分离、计算子系统与存储子系统的融合以及以数据并行为基础的dataflow编程模型。随着Spark、Flink等数据流编程模型在大数据计算领域的广泛使用，计算作业类型千变万化，如何保证各种数据流计算作业对集群资源的共享使用是集群资源管理的核心，也是降低基础设施成本的主要手段。分析集群资源管理的历史变化，从数据流编程模型的角度出发，对HoD、集中式、双层调度、分布式以及混合式管理展开了深入的探索，介绍了其各自的优缺点以及应用现状，为数据流计算环境下的集群资源管理和调度的使用或者研发提供一定的参考和借鉴。

数据流编程模型以其高度并行计算、支持流水线处理、支持函数式编程等优点被许多主流的计算系统采用。在分布式数据流系统和异构数据流系统中，算子之间数据生产和数据消化的速度不一致可能会导致数据堆积或者算子闲置等问题。为支持高效的数据流系统，需要设计缓存系统，以保证数据流的高效缓存和移动。选取了几个典型的分布式数据流系统与分布式消息队列系统进行系统分析，并总结了目前消息队列系统对数据流缓存系统的支持程度。最后对数据缓存技术进行了阐述，并分析了未来的数据流缓存系统的需求和研究方向。

数据流模型是一种高效的计算模型，由于其在并行性方面具有天然的优势，数据流技术在软硬件领域得到了广泛的应用。在硬件体系结构方面，数据流模型引领计算机体系结构在传统冯·诺伊曼架构下向支持更高并发的方向发展。基于超长向量处理单元的流处理和SIMT的现代GPU就广泛使用了数据流技术的思想。在编程模型方面，数据流思想在大数据编程模型领域得到了广泛应用，例如MapReduce和Spark等。从数据流模型的角度多层次分析了英伟达GPU的体系结构以及CUDA编程模型，阐述了数据流模型在GPU软硬件系统中的应用。分析了数据流思想和GPU大规模并行处理体系结构在大数据处理中的应用和发展趋势。