一个良好的监控系统可以让用户更清楚的看到广泛可视区域内所拍摄到的详细视频与图片,尤其是在安全事件发生之前和过程中。监控系统对跟踪可疑行动、收集证据方面,可以提供关键性的帮助。在新安装的监控系统中,高清、多功能摄像头正逐步替代模拟设备,这些设备在提供高质量快速运动影像的同时,也生成了海量数据,除此之外,交通、公路运输、航运和港口大范围使用摄像头,也对存储容量提出了更高的要求。

新威胁的出现以及预算收紧,将视频与其它IT系统和先进的分析功能相集成是企业正在寻找如何提高效率、减少拥堵并提高安全性的新方式。由于保留更长时间的视频记录,提高复杂分析能力成为数据积累带来的必然趋势和模式。伴随着分析应用程序的开发,以及视频在新情况下的应用,保留数据将变得更加重要。同时,法律法规也要求了数据保存的时间。
然而,视频保留时间越长,管理存储容量面临的挑战也会越大。虽然车载影像内容分析和数据压缩有助于减少网络流量,但系统仍然需要更多存储容量。从可扩展性的角度来看,随着拍摄内容和保留数据的日益增多,存储系统必须具备智能增长的能力。目前,越来越多的企业机构与当地公安机关进行合作--例如边境控制调查,那么具备轻松共享数据的能力对系统来说就变得至关重要。
轻松访问视频文件
传统视频存储会导致信息孤岛,用户难以找到合适的视频来支持分析与调查。由于这些视频可能并没有存储在应在的位置,这就造成了文件检索速度缓慢,从而导致不必要的延迟。随着对视频依赖程度的增加,企业中所有用户都无需IT部门的支持就能够轻松检索文件。
很多存储方案制定的目的都是保护财产和人,而改进存储技术只是其中一小部分。但有一件事是肯定的:这些都需要资金支持。除此之外,企业还需要在制定方案时平衡各方面的优先顺序。企业必须部署监控解决方案和支持存储基础设施建设,这样才能在满足用户需求的同时控制预算。如果无需IT部门干预就能迅速地、无缝管理不同存储层的数据迁移,那么航运公司和港口机构就可降低拍摄、管理及长期保留视频的成本。
分层存储数据的方式
一个高性能数据管理解决方案和存储架构必须能够处理与实时分析相集成的全分辨率视频流,而所有这些都是全天候运行。用于视频监控的多层存储解决方案提供了一个灵活的、可扩展的平台,它实现了以较少的总预算来满足当今视频应用所需的总可用容量的要求。
企业机构多达40%的活跃数据都保存在其最昂贵的基础设施上。智能分层存储可自动把视频迁移到成本效益最高的存储层上。作为一种高性价比的长期数据保留方式,智能分层存储有效地平衡了整个基础设施上的性能、容量和成本。无论将视频存储在高性能磁盘存储上、对象存储上、文件磁带上,还是云存储中,视频都能在预算内根据不同的政策要求得以保留。
企业还应遵循一种增量方式来交付当今视频应用所需的容量。随着摄像头的增加、图片分辨率日益提高、数据保留时间变长,监控解决方案必须扩大解决范围,以满足更大容量的需求。该解决方案还应在不影响性能的前提下处理来自诸多设备的大量流媒体视频。通过在单个文件系统中交付多层存储,使数据管理就像访问计算机C盘中的文档一样简单直接。无论数据存放在哪里,用户都会看到一个视图,根据视图指示查找到信息而无需依靠IT支持。
在交通运输环境中纳入开放式解决方案的优势就是:它将支持所有主要平台、操作系统和网络。它还将无缝集成其它系统--例如视频管理和分析软件。开放式解决方案可以集成到港口现有的IT基础设施中,不需要被锁定到单个供应商或平台上,也不需要配置文件接口来接收来自各种设备和系统的输入。
尽管具体成果取决于多种因素(港口规模、码头或交通船舶的数量、摄像头覆盖范围),如果运输企业在视频监控中采用多层存储方式,此举将会为该企业带来巨大的生产安全、运营和商业效益。
昆腾是横向扩展存储、归档和数据保护领域的专业领导厂商。该公司的数据管理平台和分层存储方案以独特的方式把高性能、低成本容量和易于访问性整合在一起,让安全和执法专业人士能够应对更多摄像头、更高的分辨率以及日益复杂的分析所构成的挑战。
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。