根据提供的文件信息，这份研究文档主要探讨了大数据背景下元模型的构建及其数据保障问题。以下详细的知识点总结：
1. 大数据管理的挑战
在大数据环境下，数据资源的管理和质量控制面临着重大挑战。数据量激增导致数据价值密度降低，且数据的异构性、数据存储方式的差异等问题严重影响数据的处理效率和质量。数据仓库传统架构在快速响应数据上有所优势，但在对业务的快速响应上存在不足。
2. 元数据管理的重要性
元数据指的是关于数据的数据，它描述了数据的结构、内容、来源等属性。良好的元数据管理对于数据仓库、数据分析及数据应用的效率至关重要。在大数据背景下，建立有效的元数据管理模型是提升数据管理效率和数据质量的关键步骤。
3. Hadoop技术的引入
Hadoop是一个开源框架，它能存储和处理大容量数据集。文档提出了基于Hadoop的元数据管理模型，利用Hadoop强大的分布式存储和处理能力，以应对海量数据的管理需求。
4. ETL（抽取、转换、加载）工具的作用
在元模型构建中，ETL工具被用来抽取、转换、加载（ETL）数据，以便于从不同服务集群中获取化工类数据库的数据，并进行规范化处理。这样可以保证数据的标准化管理，提高数据的可用性和质量。
5. 数据质量保障措施
通过分布式抽取方式实现数据的集成，建立映射规则，有助于提升数据的有用率和集成率。此外，文中还强调了通过数据质量保障措施确保元数据抽取的准确性。
6. 分层式、分布式数据仓库架构
为了解决传统数据仓库架构无法同时对数据和业务快速响应的局限性，提出了创新性的分层式、分布式数据仓库架构。这种架构可以更加灵活地适应业务变更，提升数据集成后质量。
7. 业务时效性要求
随着现代企业业务对时效性的要求不断提高，数据仓库架构需要能够快速响应数据和业务变化，实现数据的实时分析和处理。
8. 数据应用的未来展望
文档总结了大数据时代背景下数据应用的挑战和发展趋势，并指出只有更高的数据处理速度和质量才能满足现实应用的需求。研究提出的基于云计算的元数据管理及数据保障方案，为未来数据应用的发展提供了重要参考。
总结而言，文档分析了大数据时代下数据管理和保障的现状和需求，特别关注了化工领域中的数据库管理问题，强调了Hadoop技术和ETL工具在元数据管理中的作用，并提出了一套创新的分层式、分布式数据仓库架构来应对这些挑战。这些研究和观点对于IT行业，尤其是数据管理、分析和应用领域具有重要的指导和借鉴价值。
