本文提出了一种基于移动agent技术和数据挖掘标准的分布式数据挖掘系统模型，该模型解决了传统集中式数据挖掘面临的挑战，并针对分布式数据源的集成和访问提出了有效的解决方案。移动agent技术为分布式数据挖掘系统提供了良好的扩展性和有效性，而数据挖掘语言的应用保证了系统的延伸性。该系统采用基于KQML（Knowledge Query and Manipulation Language）和XML（eXtensible Markup Language）的代理通信机制，确保了良好的跨平台性和可移植性。本文详细描述了系统的架构，并对系统的响应时间模型进行了分析。
分布式数据挖掘（Distributed Data Mining，简称DDM）是随着数据资源分布化、异构化趋势日益增强而出现的一种新的数据挖掘范式。DDM的一个主要目标是在分布式的、异构的数据资源上进行知识发现。然而，集中式数据挖掘在处理分布式数据源时存在若干缺陷，比如响应时间过长、网络带宽资源浪费、计算资源负载不均衡以及数据安全性、私有性保护问题等。因此，分布式数据挖掘越来越受到重视，并且好的DDM系统需要具备良好的扩展性、有效性、可移植性、延伸性和透明性。
在分布式数据挖掘的研究中，体系结构和通信机制是系统设计的关键。文献中已提出了多种基于不同技术的DDM体系结构，包括基于移动agent技术的体系结构、基于Web Services的体系结构和基于网格服务的体系结构等。但是，现有DDM系统仍存在一些问题，例如灵活性不足、体系封闭性、移植性差、集成成本高等。这些问题限制了系统功能的扩展和算法的扩充能力。
为了解决上述问题，需要在数据挖掘标准和基于这些标准的框架及服务上下功夫。数据挖掘标准的分类可以包括过程标准、接口标准、语言标准和网络标准等。目前，数据挖掘标准的研究仍处于初级阶段，还没有形成统一的标准。其中，数据挖掘语言标准包括数据挖掘查询语言（如DMQL）和数据挖掘定义语言（如PMML）。本文提出的基于移动agent和数据挖掘标准的DDM系统，旨在构建一个开放和标准化的数据挖掘系统，系统独立于具体挖掘应用和挖掘算法，提供开放性，支持多种挖掘功能，并可以添加新的数据挖掘算法和完整的挖掘服务管理功能。
文章接着介绍了MA-DDM系统的架构，该架构总体分为四个层次：用户层、系统控制层、数据挖掘层和数据源层。这种分层设计有利于系统功能的模块化和扩展性。用户层负责接收用户的挖掘请求并展示挖掘结果；系统控制层负责任务调度、移动代理的管理和系统的维护；数据挖掘层执行具体的挖掘任务，包括数据预处理、挖掘算法的执行和挖掘结果的返回；数据源层则是实际存储数据的层，它包含了各种异构的数据源。
文章还提出了MA-DDM系统的响应时间模型，这对于评估系统性能和优化系统参数具有重要意义。文章提出了未来的研究方向，比如进一步提高系统的智能化水平，以及如何更好地整合不同的数据挖掘标准，为分布式数据挖掘提供更为通用的解决方案。
