安防大數據的趨勢分析
本文從大數據的定義,安防大數據的現狀,安防大數據面臨的新挑戰以及安防大數據目標架構方案四個維度,系統梳理分析了安防大數據的趨勢,供讀者參考。
1
大數據的定義
Gartner 給出的定義 :“大數據”是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。
● Volume:數據量巨大。數據的起始計量單位至少是 PB 級。
● Variety:數據類型多。包含結構化數據(可用二維表結構表示的傳統關系數據模型),半結構化數據(數據的結構和內容混在一起,如 XML、HTML 文檔等) 和非結構化數據(如全文文本,圖像,聲音,影視,超媒體等信息)。
● Velocity:處理速度快。通常要在秒級時間范圍內給出分析結果。
● Value:商業價值高。結合業務邏輯并通過強大的機器算法挖掘出數據價值。
2
安防大數據的現狀
隨著安防業務的快速發展,安防數據量呈指數級增長,數據類型也由單一的結構化數據演變為非結構化、半結構化和結構化多種并存。
3
安防大數據面臨的新挑戰
海量數據和多種數據類型的出現,對傳統 IT 系統的存儲、計算等能力造成了極大挑戰,同時也對海量數據如何才能產生價值,如何才能靈活應用提出了更高的要求。
挑戰一:海量數據對存儲和計算能力提出更高要求
安防行業在感知側持續不斷地產生大量數據(如視頻、音頻、郵件、數據表等),同時智能化應用又要求融合更多維度數據;這些數據還需要進行大量計算才能發揮出更大的價值。而客戶的IT投資預算有限,無法支撐數據量增長和計算能力的訴求。
基于此背景,對安防大數據提出了新要求:
高效率、低成本存儲:支持塊、HDFS、文件、對象的存儲技術。
非結構化、半結構化、結構化數據統一存儲。
具備海量數據的計算能力:離線計算、人工智能、交互分析、機器學習等。
挑戰二:非結構化數據的解析利用度急需提高
業務側大量部署的感知端設備,產生了海量的視頻、音頻、指紋、圖片等非結構化數據。但由于分析場景有限,精度不高,數據無法得到充分利用。以視頻數據為例,人臉卡口識別率達95%以上,但其他場景則只有80%左右。
在當前場景有限,算法待成熟的背景下,對安防大數據提出了新要求:廣泛的場景、更高的精度。
挑戰三:數據要從孤立轉變為共享和關聯
大數據需要通過快速的采集、發現和分析,從大量化、多類別的數據中提取價值。安防大數據時代最顯著的特征就是海量和非結構化數據共享,用以提高數據處理能力。而當前安防數據存儲在不同系統、不同區域、不同節點、不同設備中,給數據的傳輸和共享帶來極大的挑戰。
面對這些相互割裂和孤立的數據,需要把它們都關聯起來,才能為決策提供更全面的信息。因此對安防大數據提出了新要求:
完善數據標準:基于標準互聯互通安防系統,共享數據。
數據協同:提供能力支撐分散在不同地域、不同系統數據的高效傳輸、聯動查詢、協同分析。
數據關聯:以實體對象出發,創建算法模型關聯相關數據。
挑戰四:建立智能化應用模型,提前預測預警
安防對數據的應用主要集中在查、看及少量研判分析上,智能化應用匱乏。未來需要基于對象的歷史數據,把握其行為規律,在事前預測可能出現的行為,事中有針對的阻止打擊,事后進行破案、恢復、懲處等,對危害性行為進行提前預測預警。
基于上述的預測模型,對安防大數提出了新要求,需要建立智能化應用模型,基于場景建立預測預警模型。
4
安防大數據目標架構方案
為了應對安防大數據的挑戰,滿足安防大數據的新要求,需要構建以數據為基礎、以智能化應用為牽引的安防大數據架構。基礎平臺重點提供存儲、計算、大數據、AI 能力,應對安防數據的存 / 算訴求。安防數據則聚焦在數據加工處理、挖掘分析上,歸結到數據匯聚、解析關聯、全息圖譜能力,涉及大量的算法、模型。
如上圖所示,智能安防大數據方案可面向眾多視頻監控設備及企業系統,將各類型數據(如視圖數據、物聯感知、企業網絡或其他系統數據)接入匯聚到安防大數據系統中,同時基于該系統的解析關聯、全息圖譜等能力,為安防業務系統提供有效的價值數據,從而實現在預測預防、情報研判等方面的智能化應用。
-
安防
+關注
關注
10文章
2275瀏覽量
63729 -
大數據
+關注
關注
64文章
8952瀏覽量
139524
發布評論請先 登錄
評論