
“价值+安全” 大数据加快安防智能化_数据分析师
第1页:安防大数据及其价值
在信息化领域,IT时代向DT时代转化过程中,大数据成为关键的技术,并率先服务于电商平台,为B2C等平台提供精准的数据信息服务,让决策者对用户的消费习惯和行为了然于胸。在安防领域,大数据技术探讨和研究已有几年时间,目前也有很多行业项目落地运营,从用户反馈的信息看,大数据对提高工作效率、有效解决业务难题帮助很大,但目前还处在探索阶段,也有很多问题需要逐步去落实解决。
安防大数据及其价值
所谓大数据,通俗的理解就是指海量的数据,大数据的特征可以由4V来表述:规模(volume)、速度(velocity)、类型多(variety)、价值密度低(veracity)。当前,安防大数据的来源主要是各地每天产生的数以万计的图像及视频数据,囊括公安、交警、城管、海关、能源、金融、教育、园区、住宅、娱乐场所等地方所获取的视频监控数据,而随着各地视频接入规模从几千到几十万规模化的增长,以及安防监控对高清、智能、联网的要求越来越高,每天产生的数据量正以惊人的速度在不停地累积。
如何有效处理和利用这些数据成为安防产业探索的重要课题。深圳市保千里电子有限公司副总裁陈杨辉认为,当前,大数据时代的战略意义已超越如何掌握庞大的数据信息,而是实现对这些数据的深层挖掘,进而让其“增值”。在安防领域,视频数据的挖掘应用是必然的选择,北京蓝色星际软件技术发展有限公司产品经理颜延峰认为,安防大数据是安防IT化发展到现阶段的一种表象或特征,随着安防云计算技术的发展,原本很难收集和使用的视频数据开始被有效地利用起来,通过各细分行业的不断创新,视频数据会逐步为用户创造更多的价值,这是技术发展的大趋势。如果要从“数据源-环节-目标”的思维出发,大数据是获取数据、存储数据、分类检索及应用数据,其核心技术主要包括大规模并行处理(MPP)数据库和分布式文件系统。
安防大数据的价值不仅仅在安防行业领域,其对安防边界的扩宽起到非常大的作用,在智能家居、楼宇、超市、地铁、人流疏导等区域所起的作用也越来越大,通过成熟的智能算法和分析技术,厂商可以在视频数据中获得用户的行为数据,并与第三方合作公司一起开发大数据相关业务,为用户提供精准的服务,让安防产业的触角向其他行业延伸,打造产业新的增长点。
在治理城市交通拥堵问题上,大数据也正在发挥着重要的作用,交管部门根据各个主干道布局的摄像机抓取的实时画面,利用智能交通车辆流量的大数据分析,实时自动调整道路交通资源分配,及时响应相关的限流措施,并发布道路车辆密度实时信息。南京普天天纪楼宇智能有限公司智能事业部副总经理关玉瑾对于大数据在智能交通的推广大为赞赏,认为大数据处理能力虽然还有待加强,但未来大数据的价值将会在除了交通、公安等领域外会发挥更大的作用,其价值在数字时代将大放异彩。
第2页:安全是立身之本
安全是立身之本
DT时代,黑客成为信息安全和个人隐私乃至国家战略安全的严重隐患,在全球信息化的网络大环境下,通过蠕虫、木马等病毒入侵设备和机构信息安全中心的例子俯拾皆是。安防产业在IT化过程中,信息安全一直未受到足够的重视,之前报道深圳19路摄像机被境外某网站全球直播的弱口令问题就反应了产业存在的问题。安防行业从单一产品到系统集成,从模拟监控到网络监控,从封闭系统到大数据、云平台,整个安防体系越来越开放,更多的集成和服务商都加了进来,个人、团队、组织机构、政府部门的各类信息都有可能会遭到泄漏。
但是信息安全是全行业共同面对的挑战,暴露在互联网下的安防监控产品随时都有可能会被攻破,不能把责任归咎于哪家的产品上,不过也要指出,安防产品必要的安全防护是必须的。霍尼韦尔贾琢成提到,虽然谁也不敢保证自家的产品一定永远安全,但如果用黑客攻破一个产品所花时间长短来做比较,花一个小时和花一两年才得手的产品的安全性肯定是天壤之别,这需要厂商注意产品的安全性设计。毕竟视频监控是实时播放,在大数据、云计算等技术手段下,可以分析、判断和提取出很多有价值的信息。安防产品本身是防护用户人身财产安全,如果产品本身都有缺陷,便是舍本逐末的做法。
对此,数据安全是大数据应用得以持续健康发展的基本保证。当数据的安全得不到保证时,开展数据分析的基础就不坚实,用户共享数据时就存在种种顾虑。打造一个安全的数据堡垒,在法律准绳的允许下开展数据分析,其成果才具备真正的社会价值和商业价值。在数据安全领域,数据加密、数据混淆、数据隔离等技术手段都是可行的手段,但只有真正做好按需受控的数据访问,才能真正保护数据并利用好数据。行业内其实也有很多企业非常重视产品在网络环境下的运营安全。苏州科达平安城市交付中心副总监闻扬提到,现在企业在确保数据本身的安全方面有非常成熟的技术和解决方案,但很多企业不重视,包括客户在内的整个产业的安全防范意识都有待加强。其实如果是单纯的数据泄漏,或许后果没有那么严重,担忧的是黑客有预谋去提取有价值的数据,当数据量达到一定程度的累积时,不法分子通过某种技术的应用模式把这些数据一旦关联,就会对某个区域的安全造成危害,这是需要警惕的,单纯是某个产品造成的数据泄漏,或许危害还没有那么大,大可不必草木皆兵。
大数据所面对的挑战
现阶段,在安防领域,单纯的去开展大数据业务服务不是一个可行的商业模式,一定是在现有的业务基础上通过技术革新进行新业务的探索和尝试。单纯从大数据技术本身而言,技术难点或许没有那么困难,但是安防数据多以非结构化的视频数据为主,在转换为计算机可接受处理的结构化数据时,安防大数据需要解决信息数据标准不统一的难题,消除各厂家的产品在产生数据时所形成的信息孤岛,让各地区、各级部门的数据实现互联互通。
目前,国内在信息化标准方面做了一些工作,包括GA/Z 1129-2013 《公安机关图像信息要素结构化描述要求》和GAZ1164-2014 《公安视频图像信息联网与应用标准体系表》两个标准。
第一个标准主要是给厂家提供行动的方向,目前所有的视频、图像信息如果完全能够按照这个标准要求进行结构化的描述,霍尼韦尔贾琢成认为这对厂家来说要求是相当高的,“目前还做不到全自动,还需要一定的参与和介入。未来,按照这个标准要求,是想通过不断的技术深入和挖掘,能够实现图像信息要素的自动化或半自动化的描述,通过计算机大大提高相关的工作效率,而且所有的这些要素信息都能够被描述出来,为整个大数据的应用增加数据关联的可能性。”第二个标准主要进一步进行强化现有图像联网,最终的目标是通过这个标准的实施,在全国范围内建立一个能够覆盖全国、省、市、县四级的联网网络。
对于这两份指导性的标准文件,海康威视(002415,股吧)赵世范认为,在行业快速发展的过程中,它们具有重大的意义,能在一定程度上促进厂商业务应用开发的统一,为后续新标准的推出奠定良好的基础。从当前的形势来看,一系列部级标准,甚至是国家级标准都在紧锣密鼓地制定中,这两份标准在近期内能有效规范行业厂商的开发规范,避免无序杂乱的行为,减少资源浪费,在促进行业技术水平进步的同时对于整个安防市场也能起到正向的推动作用。不过从短时间内看,会给小企业带来一定的负担,因为这需要投入额外的研发费用和人力。
大数据加速安防智能化从IT时代转向DT时代,智能化是非常重要的指标。智能化安防技术的主要内涵是其和服务的信息化,图像、视频的传输和存储,数据的存储和处理等等。保千里陈杨辉认为,在智能安防领域,数据的产生、存储和处理是智能安防解决方案的基础,只有采集足够有价值的安防信息,通过大数据分析以及综合研判模型,才能制定智能安防决策。同时,大数据处理能够更好地指出智能安防解决方案中存在的问题,从而有针对性地提升智能安防产品服务质量。
同时,智能安防行业是典型的大数据与物联网相结合的应用场景,物联网技术的普及应用使安防从过去简单的安全防护系统向城市综合化体系演变,涵盖众多的领域,特别是针对重要场所,如机场、银行、地铁、车站、水电气厂、道路桥梁等场所,引入物联网技术后可以通过无线移动、跟踪定位等手段建立全方位的立体防护。智能安防行业需求已从大面积监控布点转变为注重视频智能预警、分析和实战,迫切需要利用大数据技术从海量的视频数据中进行规律预测、情境分析、串并侦查、时空分析等。
不过,相比传统的互联网,在物联网中,对大数据技术具有更高的要求。首先,物联网中的数据量更大,物联网的最主要特征之一是节点的海量性,除了人和服务器之外,物品、设备、传感网等都是物联网的组成节点,其数量规模远大于互联网;同时,物联网节点的数据生成频率远高于互联网,如传感节点多数处于全时工作状态,数据流源源不断。其次,物联网中的数据速率更高,一方面,物联网中数据海量性必然要求骨干网汇聚更多的数据,数据的传输速率要求更高;另一方面,由于物联网与真实物理世界直接关联,很多情况下需要实时访问、控制相应的节点和设备,因此需要高数据传输速率来支持相应的实时性。再者,物联网中的数据更加多样化,物联网涉及的应用范围广泛,在不同领域、不同行业,需要面对不同类型、不同格式的应用数据,因此物联网中数据多样性更为突出。最后,物联网对数据真实性的要求更高,物联网是真实物理世界与虚拟信息世界的结合,其对数据的处理以及基于此进行的决策将直接影响物理世界,物联网中数据的真实性显得尤为重要。
综上所述,安防大数据涉及面之广、核心价值之大是其吸引众多大厂商下了大力气投入研发的根本所在。未来,有可能谁掌握了大数据的技术,谁将在竞争中获得极大的技术优势。不过,在安防领域,任何技术的革新和普及推广,都要回归到安全问题上,前车之鉴,后事之师,切记安防厂商生产的所有产品,都是为了保护用户的身家性命,这是安防大数据环境下必须牢记的使命。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02