基于价值链的工业数据治理:模型构建与实践指向

导语:通过书面调研和实地考察发现大部分的工业数据治理研究成果更侧重技术和数据质量同时大量企业意识到数据治理的重要性却不懂如何开展数据治理

工业数据是数字经济时代提高企业生产力的关键要素。随着智能制造、工业互联网等战略政策的深入推进,工业企业积累了大量的数据,但是这些数据往往被当成系统运维的副产品,并没有被真正的盘活整理。根据诺兰模型可以看出,任何企业的信息化在经历了单一应用建设、系统深化应用集成等阶段后,都面临一个共同的问题,多年来信息化建设所积累的大量数据该何去何从?如何将沉睡多年的工业数据焕发出新的生机,创造出新的价值?在数据资源化、资产化、资本化发展的今天,数据要素的巨大价值成为业界共识。在此图景下,认真研判剖析上述问题,将价值链理论引入工业数据治理中,剖析数据全生命周期治理活动的构成和关系,提出推动工业数据治理的实践路径,以期为加快推进工业数据治理提供参考。


1 对工业数据治理的理解


1.1工业数据的内涵


工业数据是指工业企业通过传感器、嵌入式终端系统、智能控制系统、通信设备、工业软件系统、工业互联网平台等产生的海量数据,包括工业装备在设计、调试、维修等过程中形成的机器数据,产品在设计、生产、制造、使用、服务、回收、报废等过程中形成的产品生命周期数据,以及互联网平台在运行过程中积累沉淀的数据。


1.2工业数据治理的概念


2004年国外学者基于公司实践提出了“数据仓库治理”,开启了学界对数据治理的研究。


当前,国内外学者对数据治理进行了广泛研究,但对数据治理的定义尚未达成共识,缺乏统一的话语体系。从研究领域来看,金融、政府等领域得益于信息化发展水平较高,数据治理起步较早,并将数据治理上升为部分政府的行政力推行为。反观工业领域,工业和信息化部也在工业大数据发展指导意见、工业数据分类分级、数据管理能力成熟度评估等政策标准方面,推动工业数据治理少量内容。


2 阻碍工业数据价值释放的现实障碍


2.1工业数据底数不清是工业数据价值释放的绊脚石


随着数据要素市场的提出,越来越多的企业高管意识到了数据的重要性,无形中加速了数据资产化进程。任何企业或者组织要想将数据变成资产,都必须先摸清自己到底有多少数据,这些数据分布在哪里,形成自身的工业数据地图。放眼望去,数据底数不清却是目前我国工业数据要素市场面临的普遍问题。究其原因,以往系统建设规划往往只针对特定业务需求设计,缺乏对全局数据的通盘考虑,促使工业数据像“杂货铺”一样分散存储在不同系统,使用数据时导致找不到,或者找到了不匹配不互认。


面对企业内部众多的信息系统,从最高管理者、业务部门到IT部门都搞不清楚企业内部数据有哪些、是什么、谁管理、在哪里等,致使工业数据价值释放面临巨大困难,同时需要付出一定的成本对数据进行存储维护。工业数据底账不清,不仅阻碍数据的价值实现,还需要企业花费一定的成本进行存储运营。另外,工业数据的来源、内在价值、内容敏感程度、访问范围存在巨大差异,尤其是安全策略异常复杂。开展工业数据治理,做好数据标注分类,推动工业数据管理由“杂货铺”变成“自动化仓库”,建立数据台账,摸清数据底数,对数据进行精细化管理,是实现工业数据共享流通有效使用的基本前提,更是数据要素市场发展的第一要务。


2.2工业数据质量不高是工业数据价值释放的拦路虎数据质量高低将直接影响分析结果的有效性。


质量不高的数据,不仅会使分析结果与实际相偏离,还有可能引发不可逆的灾难性后果。例如,假设患者的病史和健康数据不准确,为患者提供的药物建议就可能出现严重错误。同样,如果支撑企业决策的数据失真,将致使企业经营决策与预期目标相背离。如果将数据比喻成水,好的数据如同饮用水,为生命提供源动力;不好的数据就如同脏水,给人类健康带来伤害,甚至危及人类生命。开展工业数据质量管理,对数据进行全生命周期质控,是保障工业数据价值实现的现实需求,也是推动工业数据价值释放的必然选择。


2.3工业数据安全是工业数据价值释放的绊马索


数据安全是关乎组织生死存亡的核心要素。工业数据汇聚、流通和使用的过程中,如果得不到良好的安全防护,将极其容易遭受不法攻击和窃取。我们从近年来不断上演的工业数据泄密事件中即可窥见一斑:据《2019年工业信息安全态势展望报告》显示,从2010—2018年工业信息安全漏洞数量变化趋势来看,运行于互联网上可被识别攻击的工业控制系统、物联网设备、智能设备等约有上万个,约64%的为高危漏洞,对制造、能源、水务、食品农业领域带来巨大影响,有的数据安全事件使得相关机构蒙受巨大损失。我国工业主机终端大多采用Windows或Linux操作系统,大量企业由于防护措施不力而遭受勒索病毒的侵袭。虽然工控系统不直接接入互联网,但因失误等原因暴露在互联网上,则面临严峻的安全风险。


2018年,约75%的中东石油和天然气组织受到了网络攻击,其中一家石油工厂由于安全控制器系统存在漏洞,恶意软件试图利用漏洞破坏设备并引发爆炸摧毁整个工厂,最终因恶意代码写入存在缺陷而未能得逞。根据国家信息安全漏洞共享平台统计报告显示,截至2018年12月,工业控制系统的安全漏洞数量快速增长,相关的漏洞高达1844个,其中在2018年内新增漏洞数量达到445个。工业互联网平台连接设备种类繁多,安全边界亦愈发模糊,安全防护亟待加强。2018年工业和信息化部网络安全管理局组织开展了工业互联网安全检查评估工作,涉及20家典型工业互联网龙头企业的213个重要工业互联网平台、150个核心业务系统、11个重点工业控制系统及59个在用工业APP应用程序,共发现相关安全风险1980处。开展工业数据安全治理,平衡工业数据流通使用与个人信息保护及数据安全之间的关系,加大工业数据安全保护力度,确保工业数据要素市场得以有效运行。


2.4工业数据采集是工业数据价值释放的阻力带


工业数据采集是数据生成的起点,对数据全生命周期的应用价值具有重要作用。从源头来看,工业数据主要来自数字化设备、工业控制系统、人工采集终端等,由于种种原因致使工业数据采集存在样本不全、效率低、准确性低等问题。一是不同厂家的数字化设备兼容性不足,尤其是国外厂商一般不开放设备的读写功能,使得数据采集存在技术壁垒。二是PLC/SCADA/DCS等工业控制系统大多采集设备的状态信息,数据采集丰富性略弱,且高端市场基本被国外PLC厂商所垄断。三是人工采集终端受限于人的主观性,所采数据的实时性、准确性、客观性等有待提升。此外,工业企业依然存在一些老旧的“哑”设备,这些设备即使通过改造,所采集到的信息依然有限,无法全面满足数据采集需求。开展工业数据治理,推动工业企业实施设备数字化改造,加大工业数控系统自主研发,引导工业设备厂商开放数据接口,推动工业通信协议兼容统一,打破技术壁垒,形成完整贯通的数据链,实现工业数据全流程采集汇聚尤为必要。


2.5工业数据共享不畅是工业数据价值释放的绊子腿数据孤岛几乎是所有工业企业面临的普遍困境。


从企业信息化发展进程来看,各个业务部门的信息系统大多分散建设,在软件使用和数据管理上相互独立,不同软件厂商提供的生产管理、销售管理、财务管理、采购管理等系统林立,彼此不通的信息系统使企业不同部门间数据难以共享。从数据存储来看,特别是对大型集团公司甚至跨国公司来讲,系统大多承载在不同区域或不同国家的数据中心,数据割裂存储对数据共享互通带来巨大挑战。从行业来看,工业互联网链接范围不断扩大,正从单一企业向整个产业链全局优化迈进,产业链上下游企业数据共享互通,将在技术标准、安全合规等方面面临更大挑战。据《2019中国企业数字化转型及数据应用调研报告》显示,大多数企业数据管理水平不高,超过90%的企业内部存在数据孤岛问题。


2.6工业数据应用不足是工业数据价值释放的打把拦


工业数据应用分析需要涉及计算机、数学建模、行业规律等相关的知识,但我国工业机理模型匮乏,仅有少量工业互联网平台企业针对特定行业对工业机理模型进行了梳理总结,致使工业数据综合应用受到一定限制。从国家主力推动的工业APP来看,我国自主研发的工业APP大多面向经营管理、财务管理等领域,面向工业研发设计、生产制造领域的APP偏少,在技术与功能上与国外存在差距,且主要面向中低端市场,90%以上高端研发设计类APP被国外企业垄断。


3 基于价值链的工业数据治理模型构建


3.1价值链理论概述


价值链理论由美国著名战略学家迈克尔·波特在1985年发表的《竞争优势》中首次提出,波特认为价值创造是企业各项管理活动的终极目标,不是企业某个单独环节创造的,而是研发设计、生产制造、采购销售等诸多环节有机整合形成的动态过程。创造满足顾客需求的产品是制造企业管理的基础与核心任务,对企业核心竞争力具有决定性影响。按照价值链理论,企业价值生成的活动包括基本活动和辅助活动。其中,基本活动是指与企业价值创造直接相关的活动,包括产品制造、销售、售后等,是企业价值生成的基本载体;辅助活动是指对企业价值生成的基本活动进行支持的辅助性条件,包括提供研发、采购、人力资源、基础设施等。在企业价值生成中,基本活动与辅助活动相互关联、互为支持,两者是一个有机统一整体,共同围绕价值创造发挥着作用(见图1)。


图1 企业价值链模型


3.2价值链理论引入工业数据治理的合理性


实物产品是企业价值的载体,以往的价值链理论以企业产品价值创造为核心,对企业经营活动进行全面分析,为实现企业价值创造提供了新视角。可以说,企业价值创造的过程,也是实体产品在企业价值链各环节生成流转的过程。虽然价值链理论起源于企业实物产品价值生成行为与过程分析,但同样适用于企业数据治理活动之中。一方面,工业数据产生与实物产品生成过程紧密相关,工业数据不是凭空产生的,而是在实物产品的生成过程中形成的。价值创造是企业产品管理的灵魂,也是企业数据治理的核心,任何数据治理活动都是为了释放数据内在所蕴含的价值。


对企业实物产品管理来讲,企业价值主要是通过设计、生产、销售等一系列活动,从而实现企业产品价值即利润最大化。而对于企业数据治理来讲,也是对设计、生产、销售等环节所产生的数据进行治理,以实现企业数据要素价值的最大化。另一方面,两者在流程管理方面具有一致性。企业实物产品价值链着眼于组织内部的价值创造过程,就数据治理流程来看,价值生成的过程也体现为“资源输入—产品输出”的管理过程,只是对数据治理来讲,这里的产品特指数据产品。可以说,实物产品管理与数据治理存在着很多相似之处,因而在管理知识和工具的运用上可以相互借鉴。基于此,将企业价值链理论引入工业数据治理过程的分析具有内在的合理性。


数字经济时代,数据是工业生存状态的重要指标,数据治理是工业企业管理的重要组成部分,不仅是基于工业数据资源的开发利用过程,更是工业数据价值促生的直接体现。在此图景下,将企业价值链理论引入工业数据治理分析中,为推进工业数据治理及其价值实现提供了新思路。


3.3工业数据治理的价值链模型


参照价值链理论,笔者将工业数据治理价值链分为基本活动和辅助活动。其中,工业数据价值释放是工业数据治理的灵魂,工业数据治理的目的就是有效挖掘工业数据资源,让数据在工业企业的全过程得以有效应用,创新制造业发展模式,以推动工业数据价值实现、支撑制造强国建设。


3.3.1基本活动


基本活动是指在贯穿工业数据全生命周期的实质性治理活动,主要包括数据采集汇聚、数据分类分级、数据共享流通、数据开发应用等环节,每个环节对工业数据治理的价值释放都具有不可替代的重要作用(见图2)。


图2 企业数据价值链模型



数据采集汇聚是工业数据治理的基础和源头。从内涵上来看,数据采集汇聚是指通过各类终端和系统识别获取各类工业数据资源,将不同渠道的数据整合迁移到统一数据管理平台,实现多源异构数据的整合汇聚,是工业数据要素价值挖掘和创生的前提和条件。随着工业互联网的快速崛起,工业数据来源日益广泛多元,不仅包括经营管理、研发设计、生产制造等工业软件系统,也包括PLC/SCADA/DCS等工业控制系统,数控机床、机器人、热处理设备、立体仓库、测量测试设备等数字化设备,以及条码扫描枪、工位机等人工采集终端。


数据分类分级是工业数据治理的基础课。在大数据背景下,工业数据采集汇聚获取了大量数据,这些数据像“数据杂草”一样,杂乱无章地被分散在不同的系统和终端中。按部门、职能、主题等不同基准对工业数据进行分类编目,以类定级,形成工业数据资源目录,是对工业数据进行资产化管理、保障工业数据安全的基础条件。


数据共享流通是工业数据治理的关键环节。产品在不同制造环节流转的同时必然带动数据随之流动,顾名思义,工业数据共享是指数据在企业研发、制造、采购、销售等不同部门以及企业与上下游产业链主体之间的共享。工业数据流通是指不同主体之间通过数据共享、交换、交易等方式,实现工业数据的社会化流动,形成工业数据要素市场体系。


数据开发应用是工业数据治理的终极目标。数据只有使用,才有价值,开发应用是工业数据治理的关键一环。对数据驱动型企业来讲,个性化定制、智能化生产、网络化协同、服务化延伸等制造业新模式新业态,都离不开工业数据的支持。此外,工业数据开发也包括数据清洗和预处理,以提高数据质量,让数据更好地适应特定的挖掘技术或工具。据不完全统计,在数据挖掘分析过程中,数据预处理的工作量大约占60%,工业数据也不例外。


数据产品和服务是工业数据治理的成果体现。数据产品和服务是指基于工业研发设计、生产制造、运营管理等领域的数据开发设计的工业应用APP,或针对某项业务开发提供数据支持服务。目前,我国经营管理类APP与国外差距不大,且主要面向中低端市场,高端的研发设计和生产制造领域的APP基本被国外厂商垄断。


综上,工业数据治理就是从流程上通过数据采集汇聚、数据分类分级、数据共享流通、数据开发应用、数据产品和服务等一系列动态化数据管理活动,最大限度地挖掘工业数据价值。


3.3.2辅助活动


辅助活动是协助基本活动以实现数据价值的活动总和。辅助活动虽然不直接创造数据价值,但却对整个数据治理过程的价值生成具有重要作用。工业数据治理价值链中的辅助活动主要包括组织机构体系、制度标准体系、考核评价体系、统一数据治理平台等内容。


组织机构体系是工业数据治理的组织保障。当前工业软件系统的组织实施一般由企业信息中心来负责,从职能定位来讲可能无法胜任企业的数据治理工作。数据治理不是企业某个单一部门的事情,需要建立专业的数据治理组织体系,开展数据资产盘点,制定相应的制度标准,培养整个组织的数据治理意识,统筹协调所有业务部门对企业数据进行统一管理使用。


制度标准体系是工业数据治理的基本依据。从制度来看,企业应围绕数据质量、数据安全、数据标准、元数据、主数据等数据治理对象,建立相应的规章制度和操作流程,积极营造数据治理的支持环境,实现对数据产生、流转、使用、销毁等整个生命周期进行管控。数据治理标准既包括国标标准、国家标准、行业标准、企业标准等,也包括元数据标准、主数据标准、数据标识标准等。企业数据治理标准体系的建设应既满足当前的实际需求,又能着眼未来与国家及国际标准接轨。


考核评价体系是贯彻工业数据治理制度标准的促动手段。针对数据采集、使用、质量、安全等重点领域,建立明确的考核评价体系,设计合理的考核指标,并将评估结果与部门和个人绩效挂钩,以评促改,推动工业数据治理水平整体提升。


统一的数据治理平台是工业数据治理的有效载体。总体来讲,数据治理平台是实现工业数据汇聚、存储、开发、应用、运维、安全的工具和技术,一般包括元数据管理、主数据管理、数据标准管理、数据质量管理和数据安全管理等功能。


3.3.3基本活动和辅助活动的关系


基于价值链的分析框架,我们可以得出工业数据治理中的基本活动与辅助活动紧密相关,并非完全割裂。在工业数据治理中,基本活动和辅助活动以促生工业数据价值为纽带,共同嵌套于工业数据治理活动中。工业数据治理的价值实现是一个有机系统,其不仅仅是基本活动与辅助活动的简单叠加而形成的集合体,而是两者相互配合、相互影响而构成的有机整体,价值链中任何环节的变动,都能对其他环节及价值链整体产生影响。实际上,基本活动能否真正实现工业数据治理价值及价值的大小,很大程度上取决于辅助活动的支持情况。一言以蔽之,工业数据治理的价值实现需要基本活动与辅助活动两者共同支持与相互作用。


4 基于价值链的工业数据治理实践路径


挖掘工业数据潜藏价值是企业开展数据治理的基本诉求。企业数据价值实现是工业数据治理的基本使命和根本目标,立足工业数据治理价值链模型,应从如下三个方面推动工业数据治理及其价值实现。


4.1树立价值驱动的工业数据治理理念


工业数据治理理念来源于数据治理实践中,并对工业数据治理价值链中的各项活动具有重要影响。推动工业数据治理,需要从根本上改变传统数据管理理念。传统意义上,工业数据治理大多认为是数据库软件自身能力的提升,也有人简单理解为数据资源的日常管理,缺乏对数据治理内在价值追求的考虑。正是因为认识上存在不足,使得大多数企业管理者认为数据治理是一项投入产出比不高的工作,进而阻碍了业界推动工业数据治理的积极性。因此,树立价值驱动的数据治理理念显得尤为重要。


数据治理价值的实现,需要发挥价值生成在工业数据治理中的引领作用,将价值创造贯穿于工业数据治理的整个过程,激发不同部门、不同主体对工业数据治理的参与积极性,改变以往保守封闭的数据管理态度,探索数据免费提供和有偿开放的有效结合,切实推动工业数据共享流通,保障工业数据资源价值有效释放。


4.2优化工业数据治理的流程规范


数据价值不是天然就有的,而是需要工业企业通过制度规则创造出来的,工业数据治理过程就是企业创造数据价值的过程。工业数据治理就是要改变传统意义上分散、机械、封闭的数据管理运行流程,对工业数据价值链的各个环节进行优化改善,破除阻碍各项活动有效运行的不利因素,保障各部门做好分工、通力协作,以推动工业数据价值有效释放。


4.2.1提升工业数据采集质量


数据采集是工业数据治理的基础环节,要确保不同渠道所采集数据的准确性、时效性、完整性,才能为工业数据开发利用等环节提供足够的“原材料”。由于工业数据采集终端多、通讯协议标准不统一等问题,使得提升工业数据采集治理成为优化工业数据的必然要求。在数据采集环节积极运用新方法、新技术,改变传统手工采集数据带来的种种弊端。要对数据进行甄别,尽可能全面地掌握数据源,以防遗漏和错判,影响数据获取的质量。加强研究制定工业数据标准,让多源异构数据在一个数据空间中互通互认,为工业数据价值释放创造基础性条件。


4.2.2加强工业数据分类分级


按照研发、生产、运维、管理、外部等数据分类标准,加快推动工业数据分类分级,深入研究不同行业不同企业分类的共性规律,明确每一类数据的来源、大小、格式、位置等,分类标识,逐类定级,分级管理,建立数据台账,摸清工业数据家底,让更多人员掌握工业数据资源图谱建设能力,为工业数据共享、应用等环节提供基础。在做好分类分级的基础上,针对不同数据开展差异化管理,明确哪些数据可以上云,哪些数据不能上云,针对不同的数据制定不同的安全防护管理要求,全面提升工业数据管理能力的同时,提升数据安全管理水平。


4.2.3强化工业数据共享流通


支持上下游企业建立工业数据共享激励补偿机制,让不同的工业企业合作方形成数据共同体,构建安全可信的工业数据空间,打通工业数据共享交换通道,提高工业数据价值创造水平。依托第三方单位构建工业数据流通测试环境,强化核心关键技术创新,为供需双方提供客观公正的测试认证服务。加强工业数据资产价值评估体系,推动建立公平公正的数据交易规则,培育壮大工业数据交易市场。


4.2.4优化工业数据开发利用


推动工业全环节、全要素、全过程强化数据应用,鼓励以数据创新制造业新模式新业态,促进工业数据应用向纵深发展。面向不同行业不同领域总结推广工业数据应用方法,提升工业数据应用水平。面向重点行业打造一批工业数据解决方案提供商,全面提升工业数据开发应用水平。


4.2.5发展工业数据产品和服务


加快推动工业知识、经验、技术的软件化发展,培育发展一批面向不同场景满足特定需求的工业APP应用程序。鼓励开展工业APP应用创新大赛,以赛汇聚创新力量,推动工业数据应用创新发展。


4.3完善工业数据治理的保障条件


在工业数据治理过程中,辅助活动作用于价值链的各个环节,为工业数据治理价值实现提供支撑保障。由此可见,完善工业数据治理的保障条件,是推进工业数据治理的内在要求。


4.3.1建立工业数据治理组织机构体系


调研发现,大多数企业尚未设立相应的数据治理部门,推进工业数据治理,需要建立健全工业数据治理组织体系,建立由高层领导牵头的企业数据治理委员会,形成数据治理跨部门协调组织机制,理顺工业数据采集、共享、开放、利用、销毁全生命周期的权责体系。建立首席数据官制度,专门负责工业数据治理工作,促进工业数据价值实现。数据治理投入产出不成正比,是阻碍工业数据效能发挥的一大阻力。探索建立利益相关方激励补偿机制,吸引各类主体参与工业数据治理,让相关方按贡献获取适当回报,增强数据治理相关主体积极性。


4.3.2制定工业数据治理制度标准体系


制度标准是工业数据治理的保障条件,对数据价值链各个环节具有重要影响。英美等发达国家在数据治理各个环节建立了完备的法律法规制度体系,国内目前尚未有一部专门针对数据安全的法规制度。工业数据治理的实现需要进一步强化制度供给,为工业数据治理流程和内容提供制度化保障,打造依法治数的良好环境。一是要进一步确定数据权属,以明确不同主体在数据治理活动中的权限和责任。二是制定科学合理的数据标准,为工业数据融通共享创造条件。三是建立工业数据全员质量管理制度,注重数据的可获得性、可用性、可信性、可追溯性。


4.3.3完善工业数据治理评价考核体系


发展一批客观公正的第三方工业数据管理能力成熟度评估机构,以评促优,以评促改,充分发挥评估对数据管理能力提升的推动作用。依据《数据管理能力成熟度评估模型》对工业企业进行诊断,提出有针对性的数据战略规划,协助企业掌握数据管理方法,提升数据管理能力。鼓励相关行业开展全国性工业数据管理能力普查,了解不同行业数据管理能力,为分领域分行业推进工业数据管理能力提供参考。围绕软件、硬件、外部攻击等多个方面,开展工业数据安全评估,构建工业数据安全风险评估体系,增强工业数据安全风险防控能力,夯实工业数据安全基石。


4.3.4强化工业数据治理平台技术研发


在区块连、云计算、人工智能等技术上进一步加强探索,提升工业数据应用水平。利用区块链不可篡改、可追溯、时间戳等技术特点,合理选取工业数据共享工作环节,推进数据上链、跨链互认等技术在工业数据共享中的应用创新,打造全链共享闭环,充分发挥区块链在固化工业数据共享制度机制方面的重要作用。对于敏感性较高的工业数据,探索通过数据沙箱等技术手段,在数据不搬家的情况下,满足较为复杂敏感的数据分析应用需求。探索存算分离的工业数据应用环境,依托工业数据所在云平台,设立超算中心,推出通用数据模型和算法,为工业数据建模分析提供公共计算环境,加快工业数据价值释放。支持围绕数字水印、数据脱敏、匿名化、差分隐私、可信计算和同态加密等数据保护技术,加大研发力度,加强自主创新,提升数据安全防护技术实力。


5 总结


在数据要素市场化培育发展的背景下,工业数据治理的内涵不断扩展,所谓“治理”就是针对工业数据全生命周期所存在的种种问题进行诊断处理,技术是数据治理的支撑手段和有效载体,数据质量是数据治理的一部分内容,数据采集、共享、应用等不同环节都存在需要治理的问题。本文基于价值链理论,结合数据全生命周期不同环节所存在的问题,研究提出了工业数据治理体系框架,对已有研究大多侧重技术和质量进行了补充完善,希望能够为政府部门、行业协会、工业企业开展数据治理提供方法支撑和实践参考。未来,随着工业大数据的逐步推进,相信工业数据治理将在普及中迎来更大的发展,为工业数据价值释放发挥不可替代的巨大作用。

暂无评论,等你抢沙发

  • 短信登录
  • 密码登录
还没有账号,
登录即代表您同意本网站的 《用户注册协议》
还没有账号,
登录即代表您同意本网站的 《用户注册协议》
注册
已有账号, 立即登录
登录即代表您同意本网站的 《用户注册协议》
找回密码