存量工业软件逆向语义解析与API自动适配引擎基础研究

存量工业软件逆向语义解析与API自动适配引擎基础研究

作者单位：泷码软件研究院、泷码软件（上海）有限公司
摘要
我国制造业数字化转型进程中，大量存量工业软件系统长期服役，以老旧 ERP、MES、SCADA 为代表的异构系统普遍存在接口非标准化、技术文档丢失、开发团队流失、底层逻辑黑盒化等现实困境。传统工业系统集成依赖人工梳理业务逻辑、定制开发接口，项目周期长、实施成本高、复用性差，异构数据打通成为制造企业数字化平台建设的核心瓶颈。本研究面向存量工业软件黑盒化集成难题，提出存量工业软件逆向语义解析与 API 自动适配引擎的基础理论框架与技术实现路径。研究以应用日志、数据库表结构作为两大逆向信息源，构建多源信息融合的业务语义逆向解析模型，自动识别存量系统数据表关联关系、业务流程、数据字段语义，基于解析结果自动生成标准化适配 API，支撑 EWQ 异构集成平台快速对接各类无原生标准接口的老旧工业软件。本文系统剖析存量工业软件集成痛点，梳理逆向语义解析、数据库逆向工程、日志语义抽取、接口自动生成的相关理论基础，设计引擎整体架构、核心算法模块、工作流机制，开展原型验证与效果评估，分析技术局限性与工程落地约束。研究结果表明，该引擎能够显著减少异构系统集成的人工工作量，缩短实施周期，降低 EWQ 平台存量系统集成实施成本，为存量工业资产数字化盘活提供新的技术范式。

关键词：存量工业软件；逆向语义解析；异构系统集成；API 自动生成；日志挖掘；数据库逆向工程；工业软件；EWQ 集成平台

第一章 绪论

1.1 研究背景

制造业数字化转型不是全新系统的替换，更多是对企业多年积累的存量工业软件资产的复用与互联互通。国内制造企业车间、管理层普遍部署多代、多厂商、不同技术栈的工业软件，企业资源计划系统 ERP、制造执行系统 MES、数据采集与监控系统 SCADA 构成工厂数字化基础底座。这类系统建设时间跨度大，大量 2000-2015 年上线的存量系统，受当年技术条件限制，并未预留 REST、OPC UA 等标准化对外接口，部分系统仅支持私有数据库直连；同时伴随着软件供应商倒闭、项目交付文档遗失、原开发人员离职，系统业务逻辑、数据表含义、字段注释大量缺失，系统成为 “业务黑盒”。

在 EWQ 异构系统集成平台落地实施过程中，传统集成方案主要依靠实施工程师人工研读残留文档、数据库探查、现场测试调试，人工梳理业务实体、数据流转逻辑，再通过代码定制开发中间接口。该模式存在显著短板：第一，人力成本高，每个存量系统集成项目都需要资深工业软件集成工程师投入大量时间；第二，项目周期不可控，数据库表关系错综复杂，人工识别业务语义极易出现理解偏差，引发数据对接错误、业务流程对接失效等风险；第三，方案复用度低，不同厂商、不同版本老旧 ERP/MES/SCADA 表结构差异巨大，定制接口无法跨项目复用；第四，后期维护困难，一旦存量系统版本微调、数据表变更，人工开发接口极易失效，排查成本极高。

存量工业软件 “无接口、缺文档、黑盒化” 问题，已经成为制约工业互联网平台、企业一体化数字平台规模化落地的关键卡点。传统正向接口开发思路无法适配存量黑盒系统场景，需要从逆向工程角度，从系统运行产生的日志、底层数据库结构中反向挖掘业务语义，自动生成适配 API，实现低成本异构集成。在此背景下，泷码软件研究院联合泷码软件（上海）有限公司，开展存量工业软件逆向语义解析与 API 自动适配引擎基础研究，探索一套无需完整业务文档、无需原有系统源代码的自动化集成技术体系，支撑 EWQ 平台快速接入海量存量工业软件资产。

1.2 国内外研究现状

1.2.1 工业异构系统集成研究现状

工业异构系统集成技术历经几代发展，从早期点对点硬编码对接，到中间件、企业服务总线 ESB，再到当前工业互联网平台、低代码集成平台。国际上，OPC UA 作为工业设备与系统通用标准，广泛用于 SCADA、PLC 数据采集，但 OPC UA 依赖源系统提供原生服务，无法解决老旧存量软件无标准接口场景。国外厂商如 Siemens、AVEVA 的集成平台，更多面向新一代标准化工业软件，对于无文档老旧 ERP/MES，仍然依赖人工实施。

国内工业集成平台、低代码平台快速发展，重点聚焦可视化编排、数据转换、接口网关，但是现有产品的接口适配能力，高度依赖被集成系统提供 API 接口。当目标系统没有对外接口、文档缺失时，现有平台缺乏自动化逆向解析能力，只能依靠工程师人工写数据库脚本、写数据同步程序，自动化程度低。

1.2.2 数据库逆向工程与语义解析研究现状

数据库逆向工程是从现有数据库表、字段、外键、索引、约束中恢复数据库概念模型、ER 实体关系模型，已有大量基础研究。传统数据库逆向工具可以提取表名、字段名、数据类型、主键外键，但是只能获得语法结构，无法自动识别业务语义。例如数据表 T01，字段 F001，仅依靠表结构无法自动识别 T01 是生产工单表、F001 是工单编号。现有工具只能完成结构还原，不能完成业务语义映射，这是存量工业软件逆向解析的核心缺口。

近年来自然语言处理、领域本体技术在数据库语义标注领域逐步应用，通过字段命名、字段长度、数据分布特征、数据值域，推断字段业务含义。但现有研究大多面向通用信息系统，缺少面向 ERP、MES、SCADA 工业领域的业务本体库，无法识别工单、物料、工序、报工、质检、设备点位等工业特有业务实体。

1.2.3 日志挖掘与业务流程逆向研究现状

系统应用日志记录软件运行时的操作行为、SQL 执行语句、业务操作时序。流程挖掘（Process Mining）领域，基于事件日志重构业务流程模型，是热门研究方向。当前流程挖掘多面向日志语义规范、字段完整的信息系统。老旧工业系统日志格式混乱，无统一规范，存在日志简写、中文简写、代码代号、日志缺失、日志混杂调试信息等问题。如何在非结构化、低质量工业应用日志中抽取业务事件、操作主体、业务对象，是本研究需要突破的难点。

1.2.4 API 自动生成技术现状

通用领域 API 自动生成多基于 OpenAPI 规范、接口定义文件，属于正向生成。基于数据库自动生成 CRUD 接口的低代码工具已经存在，但是这类工具仅生成简单数据库读写接口，不理解业务语义，无法识别业务约束、事务边界、业务流程规则，直接生成的接口极易破坏存量系统业务完整性，引发脏数据。工业场景下，不能简单把数据表直接开放为 API，必须识别业务语义、业务边界、数据读写约束，生成符合业务规则的安全适配 API，这是工业场景区别于通用管理软件的关键。

1.2.5 现有研究存在不足

综合国内外文献分析，现有研究存在几点明显不足：

1. 数据库逆向和日志挖掘技术相互独立，很少将数据库静态结构信息与日志动态运行信息融合进行业务语义联合推断；

2. 缺少面向 ERP、MES、SCADA 存量工业软件的领域本体与业务语义知识库；

3. 自动生成接口只关注数据读写，缺少工业业务规则校验、事务保护、业务边界识别，直接使用会带来存量系统业务风险；

4. 缺少面向工业集成平台（EWQ）的端到端引擎架构，从逆向解析、语义推理、接口生成到接口网关部署一体化技术体系研究较少；

5. 现有技术对文档完全缺失、命名无规范的老旧系统适配能力弱，工程落地成本依然很高。

本研究正是针对上述不足，构建多源信息融合逆向语义解析框架，融合数据库静态结构与应用日志动态行为，构建工业业务本体，实现具备业务感知能力的 API 自动适配引擎，服务 EWQ 异构系统集成场景。

1.3 研究目标与研究内容

1.3.1 总体研究目标

构建存量工业软件逆向语义解析与 API 自动适配引擎基础理论、模型、原型系统。在目标系统无源代码、无标准 API、业务文档缺失条件下，利用数据库表结构、系统应用日志两类数据源，逆向自动识别存量 ERP/MES/SCADA 系统业务实体、实体关联、业务流程、字段业务语义；基于语义识别结果自动生成符合 EWQ 平台接入规范的安全适配 API，自动完成接口网关配置，降低异构系统集成实施阶段的人工工作量与项目成本。

1.3.2 核心研究内容

（1）存量工业软件异构系统黑盒化特征分析，建立老旧 ERP、MES、SCADA 系统数据库、应用日志特征图谱，归纳无文档存量系统的业务语义线索类型、噪声类型、推理约束条件。
（2）多源信息融合逆向语义解析理论框架，融合数据库静态结构信息（表、字段、主键、外键、索引、数据统计特征）和应用日志动态事件信息（SQL 日志、操作日志、业务时序日志），联合推理业务语义。
（3）面向工业软件的业务本体构建，建立 ERP/MES/SCADA 业务实体本体库，包含物料、工单、工序、报工、库存、设备、采集点位等工业业务概念、关系、约束规则，作为语义推理的知识底座。
（4）逆向语义解析核心算法研究：数据库表结构特征抽取算法、日志事件抽取与清洗算法、实体关系推理算法、业务语义消歧算法。
（5）API 自动适配生成模型研究：基于解析得到的业务语义模型，识别业务事务边界、读写权限约束、数据依赖规则，自动生成符合 EWQ 集成规范的 API 定义、接口代码、接口网关配置，区分只读查询接口与业务操作接口，保障存量系统数据安全。
（6）引擎整体架构、模块划分、工作流设计，开发原型引擎，并选取典型老旧 ERP、MES 系统开展原型验证，评估解析准确率、人工工作量下降幅度、集成实施成本降低效果。
（7）分析技术边界、局限性、工程风险，给出落地约束、安全管控策略，提出后续研究方向。

1.4 论文组织结构

本文第一章为绪论，阐述研究背景、国内外现状、研究目标与内容；第二章是相关基础理论；第三章为存量工业软件黑盒系统特征与信息源分析；第四章是引擎总体架构；第五章逆向语义解析核心模型与算法；第六章 API 自动适配生成机制；第七章原型系统设计与验证实验；第八章技术风险、局限性与安全策略；第九章总结与展望。文末附数据来源、免责声明。

第二章 相关基础理论

2.1 数据库逆向工程

数据库逆向工程，是从已部署数据库实例中提取元数据，恢复概念数据模型 CDM、逻辑数据模型 LDM 的技术集合。数据库元数据包含表集合、字段名称、数据类型、长度、主键、唯一约束、外键、索引、默认值、非空约束，还可以包含字段内的数据样本、值域分布、唯一值数量、空值率等统计特征。

传统数据库逆向工程输出 ER 图，仅还原语法层面的表结构关系，不包含业务语义。例如识别表 A 和表 B 存在外键关联，但是无法知道表 A 是工单表，表 B 是工序表，这个就是结构层面和语义层面的本质差异。本研究在传统数据库逆向基础上增加语义推理层，将元数据、数据统计特征映射到工业业务本体概念，实现从 “结构还原” 升级为 “业务语义还原”。

数据库逆向工程包含元数据采集、结构抽取、关系识别、模型重构几个基础步骤。在老旧工业软件场景，存在大量不使用数据库外键约束，仅在业务代码中维护逻辑外键的情况。数据库层面没有物理外键，传统逆向工具会丢失实体关联关系。本研究通过日志中的 SQL 关联查询语句、表连接操作，反向推断逻辑外键，弥补老旧数据库不建立物理外键带来的关系缺失问题。

2.2 流程挖掘与事件日志语义抽取

流程挖掘（Process Mining）从信息系统事件日志中提取业务流程模型，包含发现、监控、增强三类任务。事件日志的标准结构包含案例 ID、活动名称、时间戳、资源属性。老旧工业软件的日志大多不满足标准事件日志格式，存在非结构化文本日志、混合调试信息、简写编码、日志丢失、日志乱序，属于低质量非规范日志。

日志语义抽取，即从原始日志文本、SQL 执行日志中识别业务事件：谁（操作角色）、在什么时间、对哪个业务对象执行了什么业务动作。例如从日志 SQL 语句update workorder set status='finished' where wo_no='WO2026001'，抽取出业务事件：工单 WO2026001，执行完工操作。

本研究将日志挖掘定位为动态行为证据，和数据库静态结构证据互补。静态数据库告诉我们系统有哪些数据实体；动态日志告诉我们这些实体之间如何在业务运行中发生关联、业务操作时序、事务边界。静态 + 动态证据融合，可以显著提升业务语义识别准确率，减少单独使用数据库逆向带来的歧义问题。

2.3 领域本体与语义推理

本体是对领域内概念、概念之间关系的规范化描述。工业软件业务本体，定义 ERP、MES、SCADA 领域业务实体、属性、关系、业务规则。实体例如物料、生产工单、工序、报工记录、库存台账、设备点位、报警记录；关系例如工单包含多条工序记录、一个物料对应多个库存批次；业务约束例如工单完工之后不能修改数量、库存出库必须生成出库流水。

本体支持基于规则的语义推理，完成歧义消解。比如存在表名称叫 T005，字段 CODE，单独看无法判断是物料编码还是工单编码。结合本体知识库，再结合数据样本值域、日志中出现的业务操作，推理 T005 实体类型，完成语义标注。本体库是整个逆向语义解析引擎的知识底座。

2.4 异构集成与 API 网关理论

异构系统集成的核心目标是实现跨系统数据可信流转、业务协同，同时保护原有存量系统稳定运行，不能因为集成接口破坏原有业务事务完整性。API 网关作为集成中间层，负责接口路由、鉴权、流量控制、请求转换、日志审计、异常熔断。

API 分为查询类接口和业务变更接口。查询接口仅读取存量系统数据，风险较低；业务变更接口会写入、更新存量数据库，存在较高业务风险。引擎自动生成 API 时，需要基于逆向解析得到的业务语义区分接口类型，对写操作接口增加业务规则校验、事务保护、操作审计，避免直接开放底层数据表 CRUD 操作带来的风险。

EWQ 平台作为上层异构集成底座，需要标准化接口接入协议，引擎输出的 API 需要兼容 EWQ 平台接口规范，自动生成接口描述文档、接口元数据，直接注册到 EWQ 网关，减少人工配置工作量。

2.5 低资源场景下自然语言语义识别

老旧工业系统字段名、表名经常使用缩写、拼音首字母、英文简写、代号，没有完整自然语言注释，属于典型低资源文本语义识别场景。不能依赖大规模标注语料，需要结合规则、领域词典、数据统计特征做轻量语义推断。模型融合规则匹配、领域词典匹配、特征分类方法，在标注样本稀缺的黑盒存量系统场景实现字段、表的业务语义分类。

第三章 存量工业软件黑盒系统特征与信息源分析

3.1 老旧 ERP/MES/SCADA 系统典型特征

本次研究对象为服役多年、缺少文档、无标准对外 API 的存量工业软件，分为三类：
第一类，存量 ERP 系统，聚焦企业资源、采购、销售、库存、财务。数据库以关系型数据库为主（SQL Server、Oracle、MySQL），业务逻辑复杂，表数量庞大，表之间关联关系密集，很多老旧 ERP 不建立物理外键，业务关联写在程序代码内部。
第二类，存量 MES 制造执行系统，聚焦车间工单、工序、报工、质检、人员、物料流转，时序业务强，业务状态机复杂，工单状态变更存在严格业务约束，日志中大量记录车间操作事件。
第三类，存量 SCADA 监控系统，聚焦设备采集点位、实时数据、报警信息，除关系库外，常附带实时时序数据，点位命名经常使用设备编码，业务语义抽象，重点是设备数据采集、报警事件。

这类存量系统共性特征：

1. 交付文档残缺：设计文档、数据库字典、接口文档丢失，仅有少量操作手册，缺少底层数据字典；

2. 缺少原生标准化 API，早期开发只提供客户端界面，对外仅支持数据库直连；

3. 数据库缺少注释，表名、字段名大量使用代号、简写；

4. 大量使用逻辑外键，不建立数据库物理外键约束；

5. 应用日志格式不统一，没有标准化事件日志，混杂调试信息；

6. 业务逻辑嵌入程序代码，数据库仅存储数据，业务约束在应用层，数据库层面无法直接看到业务规则；

7. 系统不能随意停机，采集逆向信息源（数据库元数据、日志）必须在线非侵入采集，不能中断生产业务。

3.2 两大逆向信息源：数据库元数据与应用日志

3.2.1 数据库静态信息源

数据库信息源包含：

1. 数据库元数据：表清单、字段名称、数据类型、长度、主键、唯一约束、索引、非空、默认值；

2. 数据样本与统计特征：字段空值率、唯一值占比、值域范围、数据格式（日期、编码、数字）、字段值分布；

3. 表之间关联线索：物理外键、索引关联，以及从日志 SQL 语句提取的表连接线索（逻辑外键）。

数据库静态信息，反映系统持久化存储的业务实体结构，回答：系统存储哪些业务对象，对象具备哪些属性，对象之间存在哪些关联。缺点：静态信息无法反映业务时序、业务操作顺序、事务边界、状态流转规则，容易产生语义歧义。

3.2.2 应用日志动态信息源

应用日志包含应用系统运行输出的文本日志、数据库 SQL 执行日志。日志记录用户操作、业务提交、数据库增删改 SQL、报错信息、业务状态变更事件。
日志能够捕获动态证据：什么操作触发数据修改、业务操作的先后顺序、事务包含哪些数据表变更、工单等业务对象状态流转。
日志的短板：噪声巨大，调试日志、异常堆栈、冗余信息混杂，日志缺失、日志采样不全；单独依靠日志，很难构建完整业务实体模型。

信息融合逻辑：数据库静态结构提供实体骨架；应用日志动态行为提供业务运行证据。两类信息交叉验证，消除单独数据源带来的语义歧义，提升业务语义识别准确率。

3.3 逆向解析中的噪声与歧义问题

1. 命名歧义：相同表名 / 字段名在不同系统含义不同；同一业务概念，不同厂商命名完全不同；大量简写代号无自然语言提示。

2. 伪关联：数据库中字段名称相似，但不存在业务关联，单纯字符串匹配会误判实体关系。

3. 日志噪声：调试打印、重复日志、失败回滚 SQL，这类日志不能代表成功业务流程，需要过滤。

4. 数据样本偏差：采样时间段没有覆盖全部业务场景，部分业务实体没有出现在样本日志中，导致语义漏识别。

5. 业务约束隐藏：业务校验逻辑写在程序代码，数据库没有约束，仅靠数据库和日志难以识别全部业务规则。

上述噪声与歧义，是引擎设计必须解决的难点，通过本体知识库、多证据融合、置信度打分机制，对每一条语义推理结果输出置信度，低置信度结果标记，交由人工复核，实现人机协同解析。

第四章 逆向语义解析与 API 自动适配引擎总体架构

4.1 设计原则

引擎整体架构遵循 5 项核心原则：

1. 非侵入采集原则：采集存量系统元数据、日志、数据样本，只读访问，不修改业务库，不中断生产；

2. 证据融合原则：静态数据库信息、动态日志信息联合推理，单一证据不足以确定业务语义；

3. 置信度分级与人机协同：自动推理结果附带置信度，高置信度自动通过，低置信度提交人工校验标注；

4. 安全优先原则：自动生成 API 区分只读接口与业务写接口，写接口增加校验、审计、熔断，禁止直接暴露底层数据表；

5. 平台适配原则：输出 API 元数据兼容 EWQ 异构集成平台，接口定义、协议、文档自动生成，可一键注册至 EWQ 网关。

4.2 引擎整体架构分层设计

引擎分为五层：数据采集层、预处理层、逆向语义解析核心层、API 自动适配生成层、平台对接与运维管理层。

4.2.1 数据采集层

负责从目标存量工业系统只读采集两类原始数据源：数据库元数据与应用日志。模块包含数据库元数据采集器、数据统计采样器、日志采集器。
数据库元数据采集器：通过数据库只读账号，查询系统表，获取所有表、字段、约束、索引信息；
数据统计采样器：在不影响性能前提下，抽样读取数据表样本，计算字段统计特征（空值率、值域、唯一值比例），采样可配置采样比例，避免大表全表扫描压力；
日志采集器：对接系统日志文件或者数据库 SQL 审计日志，增量拉取日志，支持文件采集、数据库审计表采集两种模式。
采集层具备流量限流、采样开关，生产环境可配置低频率采样，控制对存量系统负载冲击。

4.2.2 数据预处理层

对原始采集数据清洗、归一化、结构化，消除噪声。

1. 数据库元数据预处理：过滤系统表、临时表、备份表，仅保留业务数据表；标准化字段类型，统一数据特征指标；

2. 日志预处理：日志分割、去重、过滤调试日志、过滤失败回滚 SQL；SQL 语句解析，抽取操作类型、涉及数据表、where 条件、更新字段；非结构化文本日志做分句、实体候选词抽取；

3. 对齐融合：把日志事件、SQL 操作关联到对应数据表，构建 “静态表结构 + 动态操作事件” 联合数据集，送入语义解析核心层。

4.2.3 逆向语义解析核心层（引擎核心）

包含 4 个子模块：工业业务本体知识库、数据库结构推理模块、日志业务事件抽取模块、多源证据融合语义推理模块。
本体知识库：ERP/MES/SCADA 业务概念、实体、属性、关系、业务规则，支持持续迭代扩充；
数据库结构推理模块：从元数据 + 数据统计特征，识别候选业务实体、候选实体属性、候选关联关系，输出第一组语义候选集，附带置信度；
日志业务事件抽取模块：解析日志和 SQL，抽取业务事件、操作对象、状态变更、事务涉及表集合，输出动态业务证据；
多源证据融合语义推理模块：融合静态候选集、动态日志证据、本体知识，执行联合推理，消歧，计算每一项业务语义、实体关系的综合置信度，输出业务语义模型。业务语义模型包含：业务实体清单、实体属性语义标注、实体之间业务关联、业务状态流转、业务事务边界。

推理结果按置信度分级：高置信度自动确认；中置信度提示人工复核；低置信度标记无法自动识别，需要实施工程师补充标注。

4.2.4 API 自动适配生成层

接收上层输出的业务语义模型，自动生成适配 API，包含子模块：业务风险判定、接口定义生成、接口代码模板渲染、接口安全规则注入、接口文档生成。
业务风险判定：基于业务语义区分只读查询接口、业务变更写接口；识别业务实体的状态约束、事务边界；写接口强制增加校验、审计、限流；
接口定义生成：生成兼容 EWQ 平台的接口元数据，包含请求参数、返回结构、业务语义说明；
模板渲染：基于预定义模板自动生成接口服务代码、转换脚本；不是简单生成数据表 CRUD，而是基于业务实体生成业务级 API，例如【查询工单列表】【获取工单详情】【工单完工上报】这类业务接口，而非底层表的 update 语句；
安全规则注入：写接口增加操作日志、数据变更审计、业务规则校验，防止非法状态变更；
自动文档：生成 OpenAPI 规范文档，附带业务语义说明，方便 EWQ 平台使用。

4.2.5 平台对接与运维管理层

负责将生成的 API 自动注册到 EWQ 异构集成平台网关；提供可视化管理界面：查看逆向解析模型、人工修正语义标注、API 版本管理、接口调用监控、日志审计；支持重新触发增量逆向解析：存量系统数据表变更、业务新增时，可以增量采集，更新业务语义模型，自动更新 API 定义，实现接口自适应迭代。

4.3 引擎标准工作流

1. 配置目标存量系统只读访问账号，开启采集；

2. 采集层读取数据库元数据、数据表统计样本、一段时间窗口内的应用日志；

3. 预处理清洗噪声数据，结构化信息；

4. 逆向语义解析，推理业务语义模型，输出置信度分级结果；

5. 人工复核低置信度推理结果，修正标注；

6. 基于最终业务语义模型，自动生成业务级适配 API，注入安全规则；

7. API 自动注册至 EWQ 集成平台网关，开放调用；

8. 运行过程持续采集增量日志，周期性增量逆向解析，检测系统表结构、业务逻辑变化，动态更新语义模型与 API。

第五章 逆向语义解析核心模型与算法

5.1 工业业务本体知识库构建

本体采用 OWL 轻量本体结构，顶层分为三大领域：ERP 本体、MES 本体、SCADA 本体。每个领域包含业务实体类、实体属性、对象关系、业务约束规则。
实体类示例：
ERP：采购订单、销售订单、库存台账、物料主数据、供应商；
MES：生产工单、工序、报工记录、质检单、生产人员；
SCADA：设备、采集点位、实时采集值、报警记录。

本体库内置业务特征规则，例如：物料编码字段通常具备固定长度、唯一、非空；工单编号一般包含日期编码；工单实体具备状态字段（新建、下达、开工、完工、关闭）。这些特征规则作为语义推理的基础规则集合。本体支持增量学习，项目实施中标注的业务实体可以回流到本体库，持续提升后续项目识别准确率。

本体不是静态知识库，采用增量更新机制，在不同存量系统项目人工标注的结果，经过审核后加入本体，不断扩充特征库，实现越用越准。

5.2 数据库静态特征语义推理算法

输入：表元数据、字段信息、字段统计特征、本体知识库。
算法分为三步：候选实体生成、属性语义推理、实体关联推理。

1. 候选业务实体识别
对每一张业务数据表，提取特征集合：表名称字符串、字段集合、关键字段特征（编码字段、状态字段、日期字段）、数据值域特征。将特征输入本体规则匹配与分类模型，匹配本体中的业务实体，输出该表属于各个业务实体类别的概率（置信度）。例如表 T02，存在 WO_NO、WO_STATUS、PLAN_QTY 字段，匹配工单实体特征，得到较高置信度，判定为生产工单表。

2. 字段属性语义标注
针对每个字段，提取特征：字段名称、数据类型、长度、空值率、值域，匹配本体属性词典，推断字段业务含义：工单编号、计划数量、完工时间、物料编码等，输出字段语义标签 + 置信度。

3. 实体关联推理
首先识别数据库物理外键；对于无物理外键的老旧系统，结合两点推断逻辑外键：
① 字段命名相似性，两个表存在同名编码字段；
② 日志 SQL 语句中频繁出现两表 JOIN 关联查询，且关联条件为该编码字段。
综合两项证据，计算实体之间关联置信度，区分一对多、一对一业务关系。

静态推理的缺陷：仅依靠数据表特征，会出现歧义。例如一张表有 CODE 字段，既可能是物料编码，也可能是供应商编码，需要日志动态证据辅助消歧。

5.3 日志业务事件抽取算法

日志分为结构化 SQL 审计日志、非结构化文本应用日志，分开处理。

5.3.1 SQL 日志解析

使用 SQL 语法解析器，解析每条成功执行的 SQL 语句（过滤回滚失败语句），提取：

• SQL 操作类型：SELECT / INSERT / UPDATE / DELETE

• 涉及的数据表集合

• 操作字段、WHERE 条件、更新赋值内容

• 事务编号，识别同一个事务内多表修改。
从 UPDATE 语句中提取业务状态变更，例如 update 工单表 set status=' 完工 '，识别事件：工单状态变更为完工。

5.3.2 非结构化文本日志抽取

对原始文本日志，采用领域实体词典 + 轻量 NER 命名实体识别，抽取业务对象 ID（工单号、物料号、设备编号）、业务动作（开工、报工、质检、报警）、时间戳。老旧日志质量差，不使用大模型复杂微调，采用领域词典、正则、实体匹配方案，降低算力要求，保证工程落地稳定性。

抽取完成后，构建业务事件序列：事件 ID、时间、业务对象、操作动作、涉及数据表、事务范围。这个事件序列即为动态业务证据。

5.4 多源证据融合推理与置信度模型

采用证据理论（D-S 证据理论）融合静态数据库证据、动态日志证据、本体知识库证据。每一类独立证据输出对 “实体类型、字段语义、实体关系” 的置信度，融合计算综合置信度。

置信度分级定义：

• 置信度≥0.85：高置信度，自动采纳，无需人工干预；

• 0.5 ≤置信度＜0.85：中置信度，自动生成候选结果，提交实施人员复核确认；

• 置信度＜0.5：低置信度，自动推理失败，标记待人工标注。

融合推理可以解决静态推理歧义问题。举例：静态识别 T005 表有 CODE 字段，无法区分物料或供应商；日志证据发现大量出库业务 SQL 操作 T005.CODE，结合 MES 本体知识库，判定 CODE 为物料编码，消除歧义。

推理完成输出完整业务语义模型，模型以 JSON 格式存储，包含实体、属性、关系、业务事件、状态流转、置信度标记，作为 API 生成模块输入。

第六章 API 自动适配生成机制

6.1 业务语义驱动 API 生成，区别于底层 CRUD 接口

本研究的核心创新点：API 是业务实体接口，不是数据表底层接口。普通数据库自动 CRUD 工具直接把表暴露，是数据层面接口；本引擎在理解业务语义之后，面向业务实体生成业务操作 API。
举例：
底层方案：提供 /api/t02/update，直接修改 t02 表任意字段，风险极高；
本引擎方案：识别 T02 是工单实体，生成业务接口：

• GET /api/mes/workorder/list  查询工单列表（只读）

• GET /api/mes/workorder/{woId} 查询工单详情（只读）

• POST /api/mes/workorder/reportFinish 工单完工上报（业务写接口）

工单完工上报接口内部，按照业务语义模型约束，只允许修改工单状态为完工，附带校验规则，不允许随意修改工单计划数量，符合原有存量系统业务约束，避免脏数据。

6.2 接口类型划分与风险分级

引擎自动将 API 分为两类：

1. 只读查询 API：读取业务实体数据，不写入存量数据库，风险等级低。自动生成，可直接注册至 EWQ 平台；

2. 业务变更 API（写接口）：新增、修改、删除业务实体数据，风险等级高。写接口默认启用多重安全策略：业务语义规则校验、操作审计日志、调用限流、事务封装、异常回滚，并且增加人工确认开关，高风险写接口必须人工审核之后才允许发布上线。

6.3 API 定义、代码模板、安全规则生成

1. 接口请求与响应结构：从业务语义模型实体属性自动生成请求参数、返回字段，携带业务语义标签，EWQ 平台可以识别字段业务含义，便于后续数据映射；

2. 模板驱动代码渲染：预设多语言接口模板，根据业务实体、操作类型渲染接口服务代码，接口内部包含数据转换层，隔离外部 EWQ 平台与底层存量数据库；

3. 安全规则自动注入：写接口自动增加：调用审计日志记录调用账号、入参、操作时间；业务状态校验，不允许违反业务状态流转；流量限流，防止高频调用冲击存量系统；异常捕获，数据库异常自动回滚，并且告警；

4. OpenAPI 文档自动生成：生成标准 OpenAPI 描述文件，接口文档中附带逆向解析得到的业务说明，供 EWQ 平台集成人员查阅。

6.4 与 EWQ 异构集成平台对接

生成的 API 元数据、OpenAPI 文档，通过接口自动注册 API 写入 EWQ 平台网关。EWQ 平台即可调用这些接口，完成跨系统数据流转、业务编排。
当存量系统发生变更（新增数据表、新增业务字段），引擎周期性增量采集元数据与日志，重新执行逆向解析，更新业务语义模型，自动更新 API 定义与接口文档，实现接口自适应更新，减少人工二次开发工作量。

第七章 原型系统设计与验证实验

7.1 原型实验目标

验证引擎核心能力：业务实体语义识别准确率；人工集成工作量降低幅度；存量系统接口生成可行性；对原有生产系统的性能影响。
选取两套典型存量系统开展原型验证：老旧 ERP 系统、老旧 MES 系统，两套系统均无对外 API、缺少数据库字典文档。

7.2 实验环境与实验方案

目标系统均部署在隔离测试环境，复刻生产数据库与历史日志，不使用真实生产库。引擎以只读账号访问数据库与日志。
对照组：传统人工集成方案，资深集成工程师人工梳理数据库、阅读日志，人工开发适配 API，统计投入工时；
实验组：使用本逆向语义解析引擎自动解析、自动生成 API，人工仅复核中低置信度项，统计总投入工时；
评估指标：业务实体识别准确率、字段语义标注准确率、项目实施总工时、引擎采集对数据库带来的性能开销。

7.3 实验结果与分析

原型实验数据显示：

1. 高置信度业务实体识别准确率达到 86%；字段语义标注高置信度准确率约 81%；对于结构规范、日志完整的存量 MES 系统识别效果更好；日志缺失、表命名极不规范的老旧 ERP 识别准确率下降；

2. 工时对比：传统人工方案完成这套存量 MES 系统接口梳理 + 开发，投入约 22 人天；使用引擎自动逆向解析 + 人工复核，总投入约 6.5 人天。人工实施工作量下降约 70%，显著降低 EWQ 平台存量系统集成实施成本；

3. 性能测试：只读元数据与采样采集，在合理采样频率下，数据库 CPU 增加幅度低于 3%，对存量系统业务运行影响很小；

4. 局限性：对于日志采集窗口内没有业务操作的冷门业务实体，缺少动态证据，自动识别能力显著下降，必须人工补充标注。

实验证明引擎方案具备技术可行性，能够大幅降低异构系统集成实施成本，但是不能完全替代专业集成工程师，低置信度部分、复杂业务规则仍然需要人工介入，属于人机协同的技术方案。

第八章 技术局限性、工程风险与安全管控策略

8.1 技术局限性

1. 依赖一定量日志样本：如果系统日志关闭、日志保留周期极短，缺少动态业务证据，逆向语义解析效果明显下降；

2. 无法还原完全嵌入应用代码的复杂业务规则：大量业务校验逻辑写在程序代码，数据库和日志没有完整记录，引擎只能识别在数据和日志中体现的业务规则，深层业务规则仍需要人工确认；

3. 命名极度混乱、无任何业务特征的存量系统，自动推理置信度低，人工标注工作量上升；

4. SCADA 时序点位的语义识别难度高于 ERP/MES，点位编码高度定制化，本体知识库需要持续扩充；

5. 逆向解析输出的语义是概率推断结果，不是 100% 真实业务定义，存在推理错误的可能性，上线前必须复核验证，不能直接无审核投入生产。

8.2 工程风险分析

1. 误识别业务语义风险：推理错误，自动生成 API 的业务含义错误，调用后造成数据错乱；应对：置信度分级、人工复核机制、测试环境先行验证，生产网关增加测试开关；

2. 采集操作对存量生产库性能冲击风险：大表全采样、高频查询，占用数据库资源；应对：只读采集、采样比例配置、限流、业务低峰期采集；

3. 自动生成写接口带来的数据变更风险：非法调用接口修改业务数据；应对：写接口默认人工审核发布、操作审计、业务状态校验、熔断限流；

4. 版本变更风险：存量系统升级、数据表变更，旧 API 不符合新业务；应对增量周期性逆向检测，自动提示模型变更，更新 API。

8.3 安全管控策略

1. 最小权限原则：采集账号仅分配只读权限，禁止任何写入权限；

2. 环境隔离：逆向解析、API 验证优先在镜像测试库完成，验证无误再接入生产 EWQ 网关；

3. 接口权限隔离：EWQ 平台调用 API 做身份鉴权、数据权限隔离；

4. 全链路审计：所有 API 调用、数据变更永久留存审计日志，支持追溯；

5. 灰度发布：新生成 API 先灰度调用，监控异常，再全量开放。

第九章 总结与展望

9.1 研究总结

针对国内制造业大量老旧 ERP、MES、SCADA 存量工业软件无标准接口、文档缺失，异构集成人工成本高的行业痛点，本研究提出存量工业软件逆向语义解析与 API 自动适配引擎。研究建立以数据库静态元数据、应用日志动态事件为双信息源，融合工业业务本体知识库的多源证据逆向语义推理框架。引擎从黑盒存量系统中自动识别业务实体、字段语义、实体关联、业务状态流转，基于业务语义模型自动生成业务级适配 API，接入 EWQ 异构集成平台。

原型验证表明，引擎可以显著降低存量系统异构集成的人工工作量，缩短实施周期，有效降低 EWQ 平台对接老旧工业软件的实施成本。本研究不是完全替代集成工程师，而是构建人机协同的逆向解析体系，机器完成基础结构与语义推断，工程师聚焦低置信度复核、复杂业务规则确认、上线验证。该技术为盘活存量工业软件资产、工业平台规模化落地提供一条新的技术路径。

同时研究也明确技术边界：引擎效果依赖日志质量、数据库命名规范；深层业务代码内的复杂规则无法仅通过数据库与日志逆向完全还原，推理结果存在不确定性，上线前必须复核与测试。

9.2 后续研究展望

后续研究方向分为四点：
第一，扩充工业本体知识库，覆盖更多厂商、更多版本存量 ERP、MES、SCADA，引入项目标注数据持续优化语义推理模型，提升低质量命名场景下识别准确率；
第二，引入多模态逆向信息，除数据库与日志外，增加客户端界面截图、配置文件等更多逆向线索，进一步提升业务语义推断能力；
第三，优化增量逆向解析算法，降低周期性增量检测对存量系统性能开销，实现业务变更实时感知；
第四，构建完整风险评估模型，自动评估存量系统逆向集成的业务风险等级，给出集成方案推荐，形成面向 EWQ 平台的存量系统自动化集成完整产品体系。

数据来源

1. 原型实验数据来源于泷码软件研究院搭建的存量工业软件复刻测试环境，包含老旧 ERP、MES 系统数据库样本与历史业务日志；

2. 技术理论基础来源于数据库逆向工程、流程挖掘、领域本体、异构系统集成公开学术文献；

3. 业务场景特征数据来源于泷码软件（上海）有限公司 EWQ 异构集成平台过往工业项目实施案例总结；

4. 实验性能指标、工时统计数据为本研究原型测试环境实测记录。

免责声明

本报告为泷码软件研究院、泷码软件（上海）有限公司开展基础理论研究形成的学术研究报告，报告内所有模型、算法、原型实验结论仅用于学术研究、技术论证，不构成任何产品功能承诺、工程落地担保、项目实施效果保证。报告中实测指标基于特定复刻测试环境获得，在不同存量工业软件、不同业务规模、不同软硬件环境下，效果、准确率、成本下降幅度会存在显著差异。

存量工业软件逆向解析与 API 集成存在固有的业务与数据风险，任何基于本报告技术思路开展工程实施，必须完成独立需求评估、安全评估、完整功能测试与验证。本报告内容不构成对第三方的技术咨询意见，因参考本报告内容直接落地项目产生的业务损失、数据异常、系统故障等风险，作者及作者单位不承担任何相关责任。本报告知识产权归泷码软件研究院、泷码软件（上海）有限公司所有，未经书面许可不得篡改、商用转载。