安防大数据的趋势分析

安防大数据的趋势分析

本文从大数据的定义，安防大数据的现状，安防大数据面临的新挑战以及安防大数据目标架构方案四个维度，系统梳理分析了安防大数据的趋势，供读者参考。

1

大数据的定义

Gartner 给出的定义 ：“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

● Volume：数据量巨大。数据的起始计量单位至少是 PB 级。

● Variety：数据类型多。包含结构化数据（可用二维表结构表示的传统关系数据模型），半结构化数据（数据的结构和内容混在一起，如 XML、HTML 文档等） 和非结构化数据（如全文文本，图像，声音，影视，超媒体等信息）。

● Velocity：处理速度快。通常要在秒级时间范围内给出分析结果。

● Value：商业价值高。结合业务逻辑并通过强大的机器算法挖掘出数据价值。

2

安防大数据的现状

随着安防业务的快速发展，安防数据量呈指数级增长，数据类型也由单一的结构化数据演变为非结构化、半结构化和结构化多种并存。

3

安防大数据面临的新挑战

海量数据和多种数据类型的出现，对传统 IT 系统的存储、计算等能力造成了极大挑战，同时也对海量数据如何才能产生价值，如何才能灵活应用提出了更高的要求。

挑战一：海量数据对存储和计算能力提出更高要求

安防行业在感知侧持续不断地产生大量数据（如视频、音频、邮件、数据表等），同时智能化应用又要求融合更多维度数据；这些数据还需要进行大量计算才能发挥出更大的价值。而客户的IT投资预算有限，无法支撑数据量增长和计算能力的诉求。

基于此背景，对安防大数据提出了新要求：

高效率、低成本存储：支持块、HDFS、文件、对象的存储技术。

非结构化、半结构化、结构化数据统一存储。

具备海量数据的计算能力：离线计算、人工智能、交互分析、机器学习等。

挑战二：非结构化数据的解析利用度急需提高

业务侧大量部署的感知端设备，产生了海量的视频、音频、指纹、图片等非结构化数据。但由于分析场景有限，精度不高，数据无法得到充分利用。以视频数据为例，人脸卡口识别率达95%以上，但其他场景则只有80%左右。

在当前场景有限，算法待成熟的背景下，对安防大数据提出了新要求：广泛的场景、更高的精度。

挑战三：数据要从孤立转变为共享和关联

大数据需要通过快速的采集、发现和分析，从大量化、多类别的数据中提取价值。安防大数据时代最显著的特征就是海量和非结构化数据共享，用以提高数据处理能力。而当前安防数据存储在不同系统、不同区域、不同节点、不同设备中，给数据的传输和共享带来极大的挑战。

面对这些相互割裂和孤立的数据，需要把它们都关联起来，才能为决策提供更全面的信息。因此对安防大数据提出了新要求：

完善数据标准：基于标准互联互通安防系统，共享数据。

数据协同：提供能力支撑分散在不同地域、不同系统数据的高效传输、联动查询、协同分析。

数据关联：以实体对象出发，创建算法模型关联相关数据。

挑战四：建立智能化应用模型，提前预测预警

安防对数据的应用主要集中在查、看及少量研判分析上，智能化应用匮乏。未来需要基于对象的历史数据，把握其行为规律，在事前预测可能出现的行为，事中有针对的阻止打击，事后进行破案、恢复、惩处等，对危害性行为进行提前预测预警。

基于上述的预测模型，对安防大数提出了新要求，需要建立智能化应用模型，基于场景建立预测预警模型。

4

安防大数据目标架构方案

为了应对安防大数据的挑战，满足安防大数据的新要求，需要构建以数据为基础、以智能化应用为牵引的安防大数据架构。基础平台重点提供存储、计算、大数据、AI 能力，应对安防数据的存 / 算诉求。安防数据则聚焦在数据加工处理、挖掘分析上，归结到数据汇聚、解析关联、全息图谱能力，涉及大量的算法、模型。

如上图所示，智能安防大数据方案可面向众多视频监控设备及企业系统，将各类型数据（如视图数据、物联感知、企业网络或其他系统数据）接入汇聚到安防大数据系统中，同时基于该系统的解析关联、全息图谱等能力，为安防业务系统提供有效的价值数据，从而实现在预测预防、情报研判等方面的智能化应用。