每次出警,北京市公安局某分局的民警都要对着胸前的执法记录仪记录现场情况,这已经成为是该分局民警在出警现场的必要程序。第一手的现场出警数据怎么保存?借助浪潮海量存储这个强大"数据后台",北京公安某分局的执法视频上传时间从1小时缩短到20分钟,效率提升67%。
数据存储难,小仪器如何发挥大用处?
执法记录仪,又称警用执法记录仪、现场执法影像记录仪,它集数码摄像、照相、对讲送话器等功能于一身,能够对执法现场各种情况做数字化记录,同时通过无线传输提供有效的现场影像资料,供案件指挥、侦破和检察机关取证。北京公安某分局于2010年初响应全局号召,全面推行现场执法记录制度,要求民警必须使用记录仪如实记录出警全过程。直观的执法记录,不仅促进了执法的专业化和规范化,也对公民与警察都能起到保护作用。

执法记录仪对专业、规范的执法过程起到促进作用
公安局分局辖区单位职责主要是让辖区内安全稳定,增强群众安全感和满意度,这其中也有执法记录数据平台的一份功劳。
与记录执法过程一样重要的,是执法信息数据的采集与存储。北京公安某分局自推行现场执法记录制度以来,对执法信息一直采用单机存储,当数据量成指数级别飞速上涨,单机存储的体系结构在可扩展性及整体可用性上都受到限制。
如今,北京公安某分局执法仪信息量的存储需求已经达到3PB,信息系统越来越力不从心;同时,执法记录工作存在着高并发的特性,在公安民警出勤后,需要统一将数据上传到存储系统,北京公安某分局的19个派出所每天都有大量出警案件需要记录,然而仅1个执法仪内的视频上传过程就需要长达1小时,数据传输吞吐量小、传输延迟,都在一定程度上影响了办案效率与质量;另外,单机存储模式使各个派出所之间的信息调用及共享受到限制,数据的安全性也成为需要长远考虑的问题。
从全面推广到快速发展,执法记录仪采集的数据资料对容量与性能的要求都已经超出原有存储系统的负载上限,必须全面升级才能确保历史数据的存留,以及未来执法工作的顺利开展。
大容量、高并发,浪潮海量存储送来定心丸
作为国内云计算领导厂商,浪潮面向金融电信、勘探勘测、气象、能源等海量数据业务应用的广大客户,自主研发了拥有完全自主知识产权的海量存储系统平台,满足大中型企业对高性能、高可扩展性的要求。除了拥有国内第一台PB级海量存储系统,浪潮还在政府行业拥有众多PB级成功案例,浪潮海量存储已经在国家广电总局、青岛电视台、四川广电、华强文化等稳健应用,出货超过1个亿。
凭借在存储领域多年技术与专利的积累,浪潮对北京公安某分局现有数据量及未来的需求、执法工作中数据高并发、数据保密性强等特点进行了全面分析,为其推荐了海量存储系统,良好的产品架构、优质的客户服务,最终赢得了北京公安某分局的信任。

浪潮海量存储系统
北京公安某分局自推行记录仪以来,在过去6年间积累了繁重的历史数据,未来还将不断产生更大的数据量,在今年7月公安部印发的新法规《公安机关现场执法视音频记录工作规定》中就明确指出,接受群众报警、当场盘问、各类违法犯罪行为和道路交通事故的现场处置、办理行政及刑事案件时的现场勘验等六种情况,现场执法必须通过视频、音频记录。针对这一需求,浪潮海量存储灵活扩展的特性发挥了大作用,以分布式部署的方式实现按需横向扩展,Scale-Out扩展方式可实现性能和容量随着数据节点的增加而线性增长,充分满足北京公安某分局未来的扩展规划。
民警在执法现场往往处于开放、复杂的环境,同时执法记录工作又是一个多用户、高并发的过程,还要满足异地交叉执法中远程调取、查阅资料的需求,这就要求数据信息的上传、采集与调用都必须及时、高效,浪潮海量存储控制器集群采用全冗余架构设计,具有自动负载均衡、故障自动切换等功能,带宽方面可满足执法记录仪的性能需求,同时通过独特的高性能、集群架构实现多控制器的数据并发读写,以更高效的速度、更便捷的方式对执法信息进行存储与读取,确保数据存取及业务运行万无一失,从而减少数据管理人员工作的繁重性,为执法人员节省时间、减少麻烦,让执法工作更加高效。
执法记录是对案发现场最真实的还原,也是民警办案最有力的证据,数据的安全尤为重要。 在这方面,浪潮海量存储支持数据卷隔离映射、快照回滚、同步/异步远程卷复制、远程数据复制及恢复、逻辑分区动态扩容等功能,可全面保障数据的安全可靠。
执法视频上传从1小时缩短到20分钟
浪潮海量存储系统入驻北京市公安局北京公安某分局,在解决当前大容量、高并发数据存储需求的同时,也实现了高性能与系统的高可靠性。北京公安某分局相关人员表示:"浪潮海量存储帮助我们全面提升了执法工作的效率,一个最直观的例子就是,现在执法仪视频的上传由原来的1个小时缩短到20分钟,同时后台的维护工作便捷、可视化,这些技术上的突破对进一步实现公开、透明、规范的执法要求都起到了积极的推动作用。"
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。