《續(xù)》　　

　　經(jīng)典的Apriori算法在執(zhí)行過程中會(huì)產(chǎn)生大量的中間項(xiàng)集，必須多次掃描數(shù)據(jù)庫，需要很多輔助的空間結(jié)構(gòu)，甚至要求數(shù)據(jù)也得是二值邏輯的。本文采用的APTPPA算法在壓縮數(shù)據(jù)的同時(shí)保證原始數(shù)據(jù)集合的基本狀態(tài)，使其在多值和傾斜數(shù)據(jù)以及負(fù)關(guān)聯(lián)規(guī)則的挖據(jù)中比其余同類算法更加準(zhǔn)確。APTPPA算法的關(guān)鍵步驟包括關(guān)聯(lián)路徑樹生成、頻繁項(xiàng)目集挖掘和找尋最大頻繁項(xiàng)集三步。

　　將事務(wù)數(shù)據(jù)庫D中每個(gè)數(shù)據(jù)項(xiàng)im進(jìn)行邏輯化處理后會(huì)致使項(xiàng)數(shù)大量增加，導(dǎo)致算法維災(zāi)難。減少項(xiàng)數(shù)的方法之一就是標(biāo)號(hào)化數(shù)據(jù)項(xiàng)值，項(xiàng)的每種類別值都用標(biāo)號(hào)vn表示。以實(shí)驗(yàn)的1000組15項(xiàng)肉雞超限異常數(shù)據(jù)為例，標(biāo)號(hào)化后的事務(wù)數(shù)據(jù)集D如下表所示。

　　
表3-2 數(shù)據(jù)集D標(biāo)號(hào)化處理結(jié)果

　　數(shù)據(jù)集D在邏輯化、標(biāo)號(hào)化處理后，各項(xiàng)值域大大減小，其內(nèi)部會(huì)存在較多相同的事務(wù)數(shù)據(jù)。此時(shí)可由集合D構(gòu)建基于表的關(guān)聯(lián)路徑樹，樹中所有的路徑表示集合D中全部可能存在的事務(wù)記錄，樹中的節(jié)點(diǎn)數(shù)字則表示某種記錄類型存在的總數(shù)。關(guān)聯(lián)路徑樹見圖3-4。

　　
圖3-4 基于數(shù)據(jù)集D生成的關(guān)聯(lián)路徑樹

　　圖中，頂層根節(jié)點(diǎn)到下層節(jié)點(diǎn)的路徑定義為i1的值，第一層節(jié)點(diǎn)再往下層節(jié)點(diǎn)的路徑定義為i2的值，以此類推。i1~i19對(duì)應(yīng)著數(shù)據(jù)集D中的每一列事務(wù)項(xiàng)。葉子節(jié)點(diǎn)計(jì)數(shù)為零時(shí)，表明該條事務(wù)記錄從未出現(xiàn)在原始數(shù)據(jù)集D中，在生成路徑表時(shí)這些事務(wù)路徑需要被剔除。經(jīng)過上述關(guān)聯(lián)路徑樹的事務(wù)合并計(jì)數(shù)、刪除冗余后，可以形成一個(gè)無重記錄的數(shù)據(jù)集合D’，并得到基于集合D’的關(guān)聯(lián)路徑表，見表3-3。

　　
表3-3基于數(shù)據(jù)集D得到的關(guān)聯(lián)路徑表

　　由于去除了冗余的數(shù)據(jù)項(xiàng)，所以任何一條事務(wù)數(shù)據(jù)Ti都包含著項(xiàng)目集的一種取值并構(gòu)成最大項(xiàng)集，其支持度就是事務(wù)數(shù)據(jù)的計(jì)數(shù)counti。數(shù)據(jù)集D到這里已經(jīng)進(jìn)行了大幅的壓縮簡(jiǎn)化，使事務(wù)在接下來的組合計(jì)數(shù)算法中可以盡量一次性的轉(zhuǎn)存到存儲(chǔ)器中。

　　以上描述中算法的執(zhí)行過程如下：

　　input D & p；

　　for each Ti∈T   D then

　　for each im∈T then

　　離散化值im，標(biāo)號(hào)為Vn；

　　path = path   Vn；

　　path按p進(jìn)制轉(zhuǎn)化為整型，排列、計(jì)數(shù)并存入關(guān)聯(lián)路徑表；

　　end for

　　end for

　　output Map結(jié)構(gòu)的關(guān)聯(lián)路徑表；

　　其中p為離散化事務(wù)項(xiàng)的最大質(zhì)數(shù)標(biāo)號(hào)；當(dāng)path長(zhǎng)度過大時(shí)，可對(duì)其進(jìn)行分段，以此提高效率。

　　根據(jù)Apriori特性，可以通過模式指導(dǎo)在關(guān)聯(lián)路徑表上找尋出頻繁項(xiàng)目集。所謂模式此處即形如“xxooxxxxo”的某種排列組合，事務(wù)項(xiàng)“x”位處的項(xiàng)值會(huì)被忽略，再把“o”位處項(xiàng)值等同的數(shù)據(jù)項(xiàng)計(jì)數(shù)并算總和，此時(shí)的事務(wù)項(xiàng)就是該模式下的頻繁項(xiàng)集，而這個(gè)和就是項(xiàng)集的計(jì)數(shù)。就非傾斜數(shù)據(jù)而言，在“o”增長(zhǎng)的同時(shí)，此模式的事務(wù)計(jì)數(shù)銳減，從而有效收斂。對(duì)于傾斜數(shù)據(jù)，事務(wù)計(jì)數(shù)原本就大于支持度閥值，模式計(jì)數(shù)退化。此時(shí)若需保證算法的快速收斂，得將包含全部項(xiàng)的頻繁項(xiàng)目集計(jì)數(shù)歸零，再進(jìn)行下一輪模式計(jì)數(shù)。在此期間還可以通過設(shè)定的最小支持度閥值對(duì)項(xiàng)集組合進(jìn)行直接的剪枝操作。以實(shí)驗(yàn)中1000組15項(xiàng)肉雞超限異常數(shù)據(jù)為例，找到頻繁項(xiàng)集見表3-4。

　　

表3-4 挖掘出的頻繁項(xiàng)集

　　按模式指導(dǎo)求頻繁項(xiàng)集的這種計(jì)算形式為相關(guān)算法的并行遞歸提供了良好的支持。m個(gè)項(xiàng)有m個(gè)1-"o"模式（k-"o"模式是指包含頻繁k項(xiàng)集的模式）的初始項(xiàng)目集。此處的并行遞歸就是在關(guān)聯(lián)路徑樹上把1-"o"模式作為起始條件遞歸生成其它模式的方法。單線程時(shí)，全部模式按1-"o"標(biāo)準(zhǔn)產(chǎn)成步驟依次遞歸完成。多線程時(shí)，每個(gè)線程分配一個(gè)1-"o"模式，能大大提高遞歸速度。最后，當(dāng)事務(wù)數(shù)據(jù)項(xiàng)計(jì)數(shù)不滿足遞歸算法的限值時(shí)，算法結(jié)束并有效收斂。

　　以上描述中算法執(zhí)行的過程如下：

　　掃描關(guān)聯(lián)路徑表，將數(shù)據(jù)項(xiàng)計(jì)數(shù)counti>minsup的事務(wù)Ti納入頻繁項(xiàng)目集F；

　　生成模式串pattern_string，并令k = 1；

　　for each 1-“o”pattern_string then

　　分配線程，在線程threadi上調(diào)用recu_process( k, k+1, pattern_string )；

　　k = k + 1；

　　end for

　　上述步驟中，不同模式匹配各自的前綴簇，然后遞歸增加互不干擾，這個(gè)特性滿足了多線程并行計(jì)算的基本要求。

　　recu_process(start, pos, pattern_string)定義如下：

　　for i from pos to m的后綴路徑then

　　for each Ti∈T   D' then

　　if path == pattern_string.substring(start, pos) then

　　pos項(xiàng)的標(biāo)號(hào)Vn進(jìn)行長(zhǎng)度為p的hash計(jì)算；

　　end if

　　end for

　　for each hash[j]∈hash表then

　　if hash[j]>minsup then

　　增量組合pattern_string；

　　F.put(pattern_string, hash[j])；

　　recu_process(start, i+1, m, pattern_string)；

　　end if

　　end for

　　end for

　　其中start表示后綴的開始點(diǎn)，pos表示后綴的迭代點(diǎn)，m表示項(xiàng)目集的規(guī)模。pattern_string一方面指導(dǎo)了遞歸過程，另一方面也表示了最終的頻繁項(xiàng)集。

　　為了使挖掘出來的結(jié)果都更有意義，就有必要在挖掘過程中剔除相似的關(guān)聯(lián)規(guī)則，防止重復(fù)規(guī)則的出現(xiàn)。尋找最大頻繁項(xiàng)目集是剔除相似規(guī)則的一條途徑。就APTPPA算法而言即在模式指導(dǎo)樹上取路徑a和其它任意路徑b比較，當(dāng)a為“o”的位包含在b中時(shí)，把b 的值賦給a，如此反復(fù)直到不能發(fā)現(xiàn)路徑b為止。以實(shí)驗(yàn)的1000組15項(xiàng)肉雞超限異常數(shù)據(jù)為例，找到的最大頻繁項(xiàng)集如表3-5所示。

　　

表3-5最大頻繁項(xiàng)集

　　肉雞產(chǎn)品質(zhì)量安全預(yù)警模型處理流程的步驟分成數(shù)據(jù)預(yù)處理、建立預(yù)警模型、挖掘結(jié)果檢驗(yàn)三步。預(yù)警模型處理流程見圖3-5。

　　

圖3-5肉雞產(chǎn)品質(zhì)量安全預(yù)警模型處理流程

　　數(shù)據(jù)預(yù)處理事先會(huì)將采集到的異常數(shù)據(jù)做邏輯轉(zhuǎn)換和分類操作。邏輯轉(zhuǎn)換針對(duì)監(jiān)測(cè)數(shù)據(jù)為連續(xù)值的情況，連續(xù)值數(shù)據(jù)無法進(jìn)行關(guān)聯(lián)規(guī)則挖掘，因此要事先轉(zhuǎn)換成邏輯值。分類是保證預(yù)警模型預(yù)警等級(jí)準(zhǔn)確度的前提，不同分類的異常數(shù)據(jù)后續(xù)的處理方式也不同。異常數(shù)據(jù)依據(jù)食品安全預(yù)警事件特征提取形式可分為常規(guī)異常和超限異常。

　　超限異常指的是結(jié)合各項(xiàng)指標(biāo)集合找到的存在影響食品質(zhì)量安全狀況的結(jié)果，它們是極其容易導(dǎo)致食品質(zhì)量安全問題的因素。

　　常規(guī)異常包括不規(guī)范、分布和趨勢(shì)異常三種。

　　(1) 不規(guī)范異常是指未按標(biāo)準(zhǔn)方式獲得，具有不可信性的數(shù)據(jù)。

　　(2) 分布異常通過區(qū)域的分布統(tǒng)計(jì)發(fā)現(xiàn)問題，將地區(qū)劃分為n個(gè)區(qū)域，各區(qū)域內(nèi)超限異?？倲?shù)為ki(i≤n)，不同地域監(jiān)測(cè)總數(shù)是li(i≤n)，異常情況數(shù)量均值Wi計(jì)算式子為：

　　當(dāng)Wi高于預(yù)置閥值的時(shí)候，進(jìn)行預(yù)警。

　　(3) 趨勢(shì)異常可從過往記錄中分析得知，將歷史數(shù)據(jù)劃分為n個(gè)時(shí)間段，第i個(gè)時(shí)間區(qū)段發(fā)生的異常數(shù)目為ui，n個(gè)時(shí)間區(qū)段發(fā)生的異常均值為u*，i*為n個(gè)時(shí)間段的中值，趨勢(shì)異常系數(shù)r計(jì)算公式為：

　　趨勢(shì)異常系數(shù)r與顯著性指標(biāo)p關(guān)系見表3-6。

　　

表3-6趨勢(shì)異常系數(shù)與顯著性指標(biāo)關(guān)系

　　其中p為不等式滿足t分布時(shí)查詢到的值，當(dāng)p低于相應(yīng)的預(yù)置閥值時(shí)，進(jìn)行預(yù)警。

　　建立預(yù)警模型即是將經(jīng)過預(yù)處理的異常數(shù)據(jù)，通過APTPPA算法進(jìn)行數(shù)據(jù)挖掘，找到頻繁項(xiàng)集，提取關(guān)聯(lián)規(guī)則的過程。這個(gè)過程中隨著算法模式匹配的深入當(dāng)項(xiàng)集計(jì)數(shù)銳減時(shí)，便可使用預(yù)先設(shè)置的最小支持度閥值對(duì)數(shù)據(jù)集合進(jìn)行剪枝操作，以達(dá)到快速收斂的效果。

　　挖掘結(jié)果檢驗(yàn)就是把新生成的預(yù)警規(guī)則與原有規(guī)則庫和實(shí)際預(yù)警效果進(jìn)行對(duì)比和分析，看是否存在出入。如果原有庫中不存在該條規(guī)則，并且印證規(guī)則具有實(shí)際預(yù)警效果時(shí)，則將本次挖掘出的規(guī)則更新到現(xiàn)有規(guī)則庫中。

　　抽取河北正先食品有限公司肉雞產(chǎn)品質(zhì)量可追溯系統(tǒng)溯源數(shù)據(jù)庫中的1000組15項(xiàng)歷史超限異常數(shù)據(jù)，實(shí)驗(yàn)驗(yàn)證了預(yù)警模型的有效性。同時(shí)將分別采用APTPPA與Apriori算法的肉雞預(yù)警模型進(jìn)行實(shí)驗(yàn)對(duì)比，驗(yàn)證了APTPPA算法應(yīng)用在食品安全預(yù)警領(lǐng)域的高效性。

　　借鑒生豬產(chǎn)業(yè)鏈的食品安全預(yù)警關(guān)聯(lián)規(guī)則較優(yōu)挖掘閥值，將實(shí)驗(yàn)參數(shù)設(shè)置如下：最小支持度閥值= 0.3；最小置信度閥值= 0.8；最大規(guī)則數(shù)= 500。實(shí)驗(yàn)后從中選取的3條報(bào)警記錄如表3-7所示。

　　

　　將上述生成的強(qiáng)關(guān)聯(lián)規(guī)則與歷史超限異常數(shù)據(jù)進(jìn)行對(duì)比與校驗(yàn)，匹配度高達(dá)百分之八十，超限指標(biāo)的預(yù)警也較為準(zhǔn)確，表明了本文預(yù)警模型的有效性。由以上最大關(guān)聯(lián)規(guī)則分析出肉雞生產(chǎn)、加工過程中存在的部分安全規(guī)則有：肉雞養(yǎng)殖環(huán)境中的氨氣水平、可吸入顆粒物同時(shí)超標(biāo)時(shí)，會(huì)導(dǎo)致雞仔活動(dòng)減少，需要對(duì)棟舍進(jìn)行清理；養(yǎng)殖用水中氯化物、硝酸鹽同時(shí)超標(biāo)時(shí)，會(huì)引起雞仔的食量下降，需要對(duì)水質(zhì)進(jìn)行改良；屠宰車間中氧氣濃度、氨氣水平同時(shí)超標(biāo)時(shí)，加工設(shè)備中會(huì)滋生較多的細(xì)菌，需要對(duì)車床進(jìn)行消毒。

　　根據(jù)挖掘結(jié)果，得到最大頻繁項(xiàng)集計(jì)算長(zhǎng)度k以及實(shí)際長(zhǎng)度k'與最小支持度閥值minsup 的關(guān)系如圖3-6所示。

　　

圖3-6最大頻繁項(xiàng)集計(jì)算長(zhǎng)度和實(shí)際長(zhǎng)度與最小支持度閥值的關(guān)系

　　由上圖可知最大頻繁項(xiàng)集的實(shí)際最大長(zhǎng)度大于等于計(jì)算長(zhǎng)度，且計(jì)算值k又只與項(xiàng)的最大取值及最小支持度存在關(guān)聯(lián)關(guān)系，項(xiàng)集的多少并不影響算法的效率。因此，即使 APTPPA算法在面對(duì)較多的歷史數(shù)據(jù)進(jìn)行挖掘分析時(shí)，也能夠從容的保持算法效率和收斂性。算法本身支持多線程并行運(yùn)行，其在不同數(shù)據(jù)集大小的情況下單線程與多線程挖掘速度對(duì)比如圖3-7所示。

　　

圖3-7單線程與多線程挖掘速度對(duì)比

　　由上圖可知在數(shù)據(jù)集增大的同時(shí)，挖掘分析的速度迅速減慢。適配了多線程程序運(yùn)行方式的算法在數(shù)據(jù)集達(dá)到一定規(guī)模后，所消耗時(shí)間的增長(zhǎng)率反而在減小。這里多線程的線程數(shù)在啟動(dòng)挖掘分析程序時(shí)決定，主線程傳入?yún)?shù)interval=2000、limit=10，表示每增加2000組數(shù)據(jù)就新啟一個(gè)線程安排運(yùn)算，最多允許啟用10個(gè)線程。

　　為了驗(yàn)證不同算法的預(yù)警效率，使用河北正先食品有限公司提供的1000組15項(xiàng)超標(biāo)異常數(shù)據(jù)分別檢測(cè)對(duì)比APTPPA和Apriori算法規(guī)則挖掘的效果，在保證預(yù)設(shè)參數(shù)一致的狀態(tài)下，兩種算法的挖掘效果如圖3-8所示。

　　

　　由上圖可知相同的實(shí)驗(yàn)參數(shù)覆蓋下，APTPPA算法產(chǎn)生的預(yù)警規(guī)則少且精煉，算法執(zhí)行速率也較快。Apriori算法無法充分顧及食品安全預(yù)警規(guī)則的特征，產(chǎn)生冗余和不符現(xiàn)實(shí)情況的結(jié)果也較多。綜上所述，基于APTPPA算法的肉雞產(chǎn)品質(zhì)量安全預(yù)警模型在肉雞食品信息預(yù)警時(shí)是準(zhǔn)確且有實(shí)效的，相對(duì)原始Apriori算法關(guān)聯(lián)規(guī)則挖掘的預(yù)警能力要強(qiáng)。

　　基于關(guān)聯(lián)規(guī)則的肉雞產(chǎn)品質(zhì)量安全預(yù)警模型使用了APTPPA算法，該方法能夠在海量繁雜多變的影響因素中，挖掘出導(dǎo)致肉雞食品安全問題的要素，及時(shí)發(fā)現(xiàn)雞仔養(yǎng)殖、屠宰加工等環(huán)節(jié)的隱患信息并預(yù)警，在真正做到實(shí)時(shí)監(jiān)控的同時(shí)有效的減少和消除了食品安全事故。

　　本章首先基于HACCP體系和有限狀態(tài)機(jī)理論詳細(xì)分析了肉雞溯源系統(tǒng)的溯源信息結(jié)構(gòu)以及溯源流程，隨后重點(diǎn)介紹了肉雞溯源系統(tǒng)中預(yù)警模塊采用的基于關(guān)聯(lián)規(guī)則的肉雞產(chǎn)品質(zhì)量安全預(yù)警模型，并通過實(shí)驗(yàn)分析證明了該模型在肉雞食品安全預(yù)警中的有效性。

　　第4章 肉雞產(chǎn)品質(zhì)量可追溯系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

　　通過第三章中基于HACCP體系的溯源信息分析，為肉雞溯源系統(tǒng)的溯源編碼以及溯源信息數(shù)據(jù)庫設(shè)計(jì)提供了依據(jù)，溯源信息流轉(zhuǎn)過程的設(shè)計(jì)則完全建立在相關(guān)流程分析的基礎(chǔ)之上，而預(yù)警模型的研究成果充分利用在了本章預(yù)警模塊的設(shè)計(jì)與實(shí)現(xiàn)中，整個(gè)溯源平臺(tái)的網(wǎng)絡(luò)結(jié)構(gòu)、功能模塊設(shè)計(jì)也依托于前一章節(jié)的研究?jī)?nèi)容。

　　在進(jìn)行系統(tǒng)體系架構(gòu)的選型設(shè)計(jì)時(shí)，主要考慮項(xiàng)目本身的快速迭代化開發(fā)需求，因此需要采用相對(duì)簡(jiǎn)單，且能夠保障系統(tǒng)穩(wěn)定性、擴(kuò)展性和兼容性的體系結(jié)構(gòu)。肉雞可追溯系統(tǒng)最終選擇了Java EE架構(gòu)、關(guān)系型數(shù)據(jù)庫My SQL、Tomcat服務(wù)器以及Linux操作平臺(tái)。肉雞溯源系統(tǒng)軟件體系架構(gòu)見圖4-1。

　　

圖4-1肉雞溯源系統(tǒng)軟件體系架構(gòu)

　　Java EE具有部署可移植、健壯、可伸縮且安全的服務(wù)器端Java應(yīng)用程序，在Java SE的基礎(chǔ)上，它提供了Web服務(wù)、組件模型、管理和通信API，可以用來實(shí)現(xiàn)企業(yè)級(jí)的應(yīng)用和服務(wù)。My SQL是免費(fèi)開源的數(shù)據(jù)庫管理系統(tǒng)，具有強(qiáng)大的社區(qū)力量維護(hù)，是一款支持多存儲(chǔ)引擎、多操作系統(tǒng)、多語言API、多國編碼的數(shù)據(jù)庫，可以處理擁有上千萬條記錄的數(shù)據(jù)集，足以支持溯源系統(tǒng)的研發(fā)。Tomcat作為輕量級(jí)WEB服務(wù)器，以占用資源少、靈活配置與快速響應(yīng)等特點(diǎn)被中小型系統(tǒng)廣泛采用。而Linux則一貫以高穩(wěn)定性，成為 Web部署、數(shù)據(jù)服務(wù)等首選操作系統(tǒng)。

　　系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)基本上遵循低延時(shí)、高吞吐量、少干擾、多負(fù)載，兼考慮成本等因素而來。肉雞可追溯系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)見圖4-2。

　　

圖4-2肉雞可追溯系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)

　　管理人員可通過內(nèi)部網(wǎng)絡(luò)，直接使用瀏覽器登錄WEB服務(wù)器中的管理系統(tǒng)；消費(fèi)者則需使用聯(lián)網(wǎng)的PC機(jī)、手持移動(dòng)設(shè)備或者市場(chǎng)中安裝的自助終端來進(jìn)行相關(guān)產(chǎn)品信息的查詢；肉雞生產(chǎn)企業(yè)將溯源信息保存在企業(yè)內(nèi)部服務(wù)器中，再通過定期的數(shù)據(jù)同步服務(wù)把本企業(yè)的產(chǎn)品信息發(fā)布到數(shù)據(jù)中心；同樣，肉雞銷售商則會(huì)暫時(shí)將銷售數(shù)據(jù)存儲(chǔ)在市場(chǎng)服務(wù)器上，待到指定時(shí)間才會(huì)把數(shù)據(jù)同步至數(shù)據(jù)中心；WEB服務(wù)器僅通過局域網(wǎng)即可訪問數(shù)據(jù)服務(wù)器，內(nèi)網(wǎng)與外網(wǎng)之間由防火墻阻隔，保障應(yīng)用安全；手持設(shè)備可以直接訪問WEB服務(wù)器中的某些基本數(shù)據(jù)，其WEB應(yīng)用已經(jīng)開放了相關(guān)的 API，供移動(dòng)設(shè)備的信息查詢。

　　結(jié)合用戶需求以及系統(tǒng)分析的結(jié)果將關(guān)鍵生產(chǎn)步驟的技術(shù)指標(biāo)作為跟蹤溯源的重要信息。對(duì)于養(yǎng)殖企業(yè)，把雛雞來源、養(yǎng)殖環(huán)境、添加劑、飼料、獸藥、免疫、儲(chǔ)運(yùn)等作為關(guān)鍵控制點(diǎn)的溯源信息。對(duì)于屠宰企業(yè)，選取加工環(huán)境、檢驗(yàn)、工具消毒、等工序收集信息。將銷售企業(yè)中的交易對(duì)象、成品來源、產(chǎn)品去向、儲(chǔ)運(yùn)等環(huán)節(jié)納入追溯范疇。同時(shí)，構(gòu)建宣傳公示平臺(tái)直面消費(fèi)者和廣大網(wǎng)民的監(jiān)督查詢。另外，預(yù)警功能模塊則可以減小食品安全突發(fā)事故的風(fēng)險(xiǎn)。肉雞溯源系統(tǒng)的主要功能模塊（部分簡(jiǎn)略）見圖4-3。

　　
圖4-3肉雞溯源系統(tǒng)功能模塊

　　由上圖可知，肉雞溯源系統(tǒng)總共包含七大模塊。消息預(yù)警模塊是相對(duì)獨(dú)立的程序單元，也是本系統(tǒng)的一大特點(diǎn)。肉雞養(yǎng)殖、屠宰和銷售模塊是三類企業(yè)溯源信息管理維護(hù)的入口，三個(gè)模塊的設(shè)計(jì)結(jié)構(gòu)大體相似，大致包含了內(nèi)部個(gè)體追溯、產(chǎn)品管理、生產(chǎn)資料管理以及基礎(chǔ)設(shè)施管理這幾個(gè)部分。宣傳窗口是系統(tǒng)后臺(tái)對(duì)于宣傳公示網(wǎng)站模塊的維護(hù)端，而宣傳公示網(wǎng)站則是互聯(lián)網(wǎng)公共服務(wù)的展示窗口。系統(tǒng)設(shè)置是整個(gè)溯源系統(tǒng)的管理控制中心。