平安城市建设经过十多年的发展,现已经成为智慧城市建设领域当中最为成熟的部分之一。视频监控系统是平安城市的重要组成部分,可以说,视频监控在推动城市管理、社会治安和社会公共安全,实现平安、和谐、幸福的城市生活目标中发挥着重要作用。随着物联网、云计算、大数据等技术的不断发展,平安城市的建设,又将迎来新一轮的发展机遇与挑战。
从1080P到4K,高清化带来数据量快速增长
对于平安城市中的视频监控应用来说,增加视频监控设备、提升视频清晰度几乎是永恒的主题,特别是随着城市智慧化程度的不断提高,高清乃至超清视频监控已经成为一个必然的趋势。这在便于城市管理部门感知城市交通、社会治安等各种动态的同时,也给后端的存储系统带来了巨大的挑战,因为,随着分辨率的提升,相同数量的监控点,产生的数据量却是成数倍增长的。比如从720P到1080P的提升,数据量接近翻一番,而从1080P到4K的分辨率,存储容量需求则是4倍左右的增长。
规模化,数据量和系统复杂度提升
同时,随着视频监控系统规模越来越大,以及高清视频监控系统、高清卡口系统及卡口型电子警察系统的大规模应用,需要存储的数据量和应用的复杂程度在不断提高,在未来的交警监控系统中,视频监控点和电警卡口车道数会达到几千路的规模。比如某一线城市,2006年时,全市共建成各类摄像头大约130万个,其中公安一类监控点约3万个,为实现"重点公共区域视频监控覆盖率达到100%"的目标,大幅新增高清视频监控点,到2020年计划实现约6万个一类监控点。
智能化,数据快速检索能力愈加重要
智能化的发展,也将会极大驱动后端存储平台需求的增长。将视频监控、消防报警、短信报警、GPS卫星定位等技术集合起来协同工作,进行信息交换和通信,完成智能化识别、定位、跟踪和监控的安防管理,成为新一代智能高清视频监控系统的发展方向并逐渐落地。这意味着,如何全面实现有效数据的获取、传输、存储、分析是十分重要的。因此,存储平台不仅要具有简易管理、存储灵活资源分配的特点,还要具有高可靠性和高性能,以提供海量数据快速存储及检索能力、保障业务连续性。
浪潮存储产品经理刘敏表示:"高清化、规模化、智能化"的发展趋势下,存储系统的容量、性能、架构等面临挑战,传统的SAN或NAS在容量和性能的扩展上存在显著瓶颈。容量及性能能够无限线性扩展,满足业务需求的前提下升级成本最低、经济效益最优化,数据快速检索、设备操作简易,拥有以上特点的存储解决方案成为所追捧的对象。"
基于AS13000 浪潮提供视频云存储方案
浪潮提供了基于软件定义存储AS13000的视频云存储解决方案,可以有效应对平安城市发展过程中的各种挑战。由AS13000提供海量数据存储支撑,中心集中存储与前端存储通过视频专网连接,满足视频图片侦查、人员卡口、车辆卡口等应用对海量存储的要求。
浪潮AS13000视频云存储解决方案整体架构
那么,浪潮AS13000视频云存储方案具有哪些优势呢?
首先是大容量、高扩展能力。基于浪潮AS13000的视频云存储方案,可以实现近EB的存储容量,单套可支持50万个监控终端,高效管理上百亿个文件,轻松应对平安城市中海量文件的存储与处理需求。支持存储系统对横向无限扩展,可在不影响前端业务应用的情况,对现有存储池添加存储节点,进行无缝的扩容,避免了视频监控系统的停机维护,同时规避了超前建设所带来的存储资源浪费,有效减少了平安城市建设的成本投入,让城市更平安、更高效。
其次是一体化,简易管理、降低成本。AS13000实现了计算与存储的融合,集流媒体服务器、存储设备于一体,且提供负载均衡,大大提高了资源利用率,简化了管理维护复杂度。
浪潮软件定义存储AS13000
第三是安全可靠。任意节点故障都不会导致业务中断,AS13000融合了传统RAID、多副本、纠删码三种冗余保护机制,提供高冗余、高可靠的冗余保护模式,在系统出现故障时不影响数据的可用性,可以确保交通管理等平安城市内重要应用7×24小时持续运行,避免视频监控遗漏任何重要事态。
最后是迅捷高效,针对监控卡扣小文件检索进行性能优化,实现秒级检索。智能数据分析算法将消耗大量的计算资源,因此,平台的性能将是影响检索速度的重要因素。浪潮AS13000通过IO并发多队列、磁盘直通读写等技术优化,单节点可实现2.5GB/s、千万级IOPS,系统在进行数据检索、比对分析时,大幅提高了处理效率,能够保证数据分析结果的及时输出,满足交通指挥、公共安全事件处置等应用需求。
好文章,需要你的鼓励
ETH Zürich等机构研究人员提出TrustVLM框架,解决视觉-语言模型预测可信度问题。该方法利用模型中存在的"模态差距",创新性地结合图像到文本和图像到图像的相似度,实现无需重新训练即可大幅提升误分类检测性能。在17个数据集的严格测试中,TrustVLM相比现有方法在关键指标上提升显著,同时改善了零样本分类准确率。此成果为AI系统在自动驾驶、医疗等安全关键领域的可靠部署提供了重要保障。
这项研究提出了个性化安全概念,解决大语言模型对不同用户采用统一安全标准的问题。研究团队创建了PENGUIN基准测试集评估模型在处理高风险场景时的个性化安全能力,并开发了RAISE框架高效获取关键用户信息。实验表明,提供用户背景可使安全分数提高43.2%,而RAISE框架通过平均仅2.7次交互即可提高安全分数31.6%。这一创新方法将AI安全从"一刀切"转向"个性定制",为高风险领域的AI应用提供了新思路。
明尼苏达大学研究团队提出了一种创新方法,通过回合级信誉分配显著提升大语言模型(LLM)智能体的多回合推理能力。传统方法只对整个过程进行评价,而他们的MT-GRPO算法能够精确评估每个决策步骤的价值,就像为每一步提供具体反馈。在维基百科搜索工具使用场景中,该方法实现了100%的工具执行成功率和50%的答案精确匹配率,远超传统方法。这一突破不仅提高了AI在多步骤任务中的表现,也为开发更复杂的AI系统提供了重要思路。
这篇研究介绍了PISCES——一种能精确从大语言模型参数中移除特定概念知识的创新技术。与现有方法不同,PISCES通过解缠器模型识别概念相关特征,直接编辑模型参数,实现了更精准的知识移除。在Gemma和Llama模型上的测试表明,该方法不仅有效降低了目标概念的准确率(低至7.7%),还保持了模型在无关领域的高性能,并显著提高了对"重新学习"的抵抗力。这一突破为AI系统的安全部署和合规使用提供了新的可能性。