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。