交通管理是现代城市的难题之一。交管部门的两大任务是:保证公路安全,确保道路交通顺畅。因此需要对所有在道路上所有看得见到的,听得到的事物进行管控。
在交管1.0系统建设中,只是对数据进行收集,各种平台不断堆叠,是"炼钢打铁式"的建设。而随着新数据时代的来临,交管部门开始利用各种技术对收集来的数据进行深度挖掘、分析、研判,以便为下一步决策规划提供支撑,提升交管效率。
从传统交通监管向新数据时代智慧交管的变革过程中,面临的挑战不容小觑。比如,机动车和非机动车数量呈现出爆炸式的增加,路口不礼让行人、不按行驶道行驶、排队加塞等情况需要视频监控系统的监管和治理。又如,各种假牌车、套牌车,甚至故意涂改车牌等违法违规行为,需要电子警察系统进行识别。
要应对这些不断产生的管理需求,交管系统就需要不断丰富自身功能,因而带来了数据存储平台的技术创新。比如,随着交管系统业务模块的不断增加,各个模块之间出现数据不同步、数据孤岛的问题。又如,由于原有系统开放性较差,后续建设经常被原供应商数据绑架,导致无论是后续扩容还是对接第三方平台都存在困难。再如,随着交管部门数据存储系统随机读取需求的不断增加,要求存储可以及时给各平台提供历史数据,而早期存储系统大多存在响应速度慢、界面卡顿问题,影响用户体验。这些转型挑战是交管部门关键需要跨越的。
三大难题 卡顿、孤岛、不稳定
工欲善其事必先利其器。交通监管面临的挑战归根到底是"器"的问题。数据存储系统,对于交通监管的应用体验和安全运行起到决定性作用。
第一,如果数据读取卡顿,会致使时效性差。针对假牌车、套牌车管控的以图搜图功能,需要快捷地从历史录像中将视频和图片信息读取出来,以供平台进行快速检索分析。而现在的很多存储设备,只重视数据的写入,进行数据读取时响应速度太慢,影响使用效果。
第二,如果存储系统不稳定,会导致数据安全性差。监控系统的作用大多都是进行事后查证,亡羊补牢。但是一旦由于多个硬盘故障或节点宕机造成数据丢失、出现录像和图片找不到的情况,亡羊之后亦无法补牢。
第三,如果存储系统开放性差,会影响跨平台共享。交管系统项目建设通常都是分期进行、逐步完成,经常导致提供设备的厂家众多。在进行后续扩容时,由于各家的不开放性,就会经常发生"数据绑架"问题。而随着交管大数据的发展和平台应用的增加,需要将不同平台的数据打通,这样才能进行多维数据共享和分析。比如,避让行人系统就需要将行人数据和车辆数据进行打通处理。
浪潮软件定义存储 场景化调优
在这些挑战之下,浪潮提供以软件定义存储AS13000为核心的交通监管场景解决方案。解决方案基于场景化定制,以智慧交管数据存储和应用特点为基础,针对现有系统的问题提供了针对性解决方案。
其一,解决现在交管系统应用缓慢、卡顿问题。比如,小文件性能提升一直是存储的一大难点,在交管应用中,视频数据的访问性能较好,但卡口、电警、违停设备产生的小文件图片数据存储、调取存在性能瓶颈。浪潮软件定义存储AS13000针对海量卡口、图片的小文件聚合技术通过对小文件进行性能优化,很好地保证了图片数据的存储和读取性能,满足了高性能业务需求。此外,其数据分层存储技术可以按照不同的数据类型和应用进行存储,确保整体方案的性价比。
其二,解决了存储安全性问题。早期交管系统的存储更多采用RAID技术保证数据安全,但此种存储方式所需的应用数据恢复时间长,1TB数据恢复时间甚至以天为单位,在此期间如果在发生硬盘故障将会导致数据丢失、业务中断。AS13000采用副本和纠删码技术,保证节点级数据安全,即使一台甚至多台设备发生损坏、故障,也能保证数据不丢失、业务不中断。同时,数据的恢复时间也大大提升,同样降低了数据丢失和业务中断的风险。
其三,针对复杂业务的应用需求,提供专业、开放的存储系统。浪潮作为专业存储厂家,AS13000可以提供标准的块、文件、对象和大数据接口,可全面满足复杂平台的对接需求
服务交管四大领域
据了解,浪潮软件定义存储,目前主要为四大交管领域提供数据支撑,分别是城市交通,主要包括城市道路的卡口电警等监控;轨道交通,包括地铁的业务系统和沿途治安监控;高速公路,主要涵盖沿线所属的检查站、道路等管理和音视频监控设备;执法记录仪,主要是执法人员佩戴的执法记录仪相关视频的存储和管理。
云、数、智时代,聚焦交通管理,浪潮AS13000软件定义存储解决方案,解决交管系统面临的数据卡顿、可靠性、开放性三大调整,在帮助城市管理者提升交通精细化、智能化管理水平上显示了自己的实力所在。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。