智慧安防专业集成方案.doc

智慧安防专业集成方案 1.1施工概述 智慧安防系统集成不是各子系统功能与界面的简单重复，也不是对子系统的所有配置的简单拷贝，而是将整个智慧中心监控及管理所需的重要信息综合起来，通过对各被集成子系统的信息的整合，生成智慧中心运行管理所必须的综合信息数据库，提供给相关管理部门，从而对所有全局事件进行集中管理，进而为综合性全局决策提供依据。 智慧安防系统集成是以基础设施和技术装备建设为支撑，以云数据中心为保障，以“智慧警务、智慧交通、智慧服务、智慧预测”四大应用体系为核心，从而实现社会治安要素实时信息采集和智能识别、定位、跟踪、监控和管理，大大提升打防管控能力；实现结构高度扁平化的指挥体制、现代化的指挥手段和智慧型的指挥方法，大大提高指挥效能；实现多元力量一体化合成作战，最大限度地发挥警务资源的整体威力；实现大数据分析预测国家安全、维稳态势、治安形势、社会管理、民意导向、民生服务，科学预知和把握未来社会治安形势和警务工作方向；实现城市交通出行的高效、智能、绿色，构建和谐、安全和节能环保的城市交通环境。 1.2智慧安防数据中心大数据处理功能 数据中心大数据从数据源经过分析挖掘到最终获得价值一般需要经过5 个主要环节，包括数据准备、数据存储与管理、计算处理、数据分析和知识展现，技术体系如图所示。每个环节都面临不同程度的技术上的挑战。 1.2.1数据准备环节 在进行存储和处理之前，需要对数据进行清洗、整理， 传统数据处理体系中称为ETL （ Extracting ，Transforming，Loading）过程。与以往数据分析相比，大数据的来源多种多样，包括企业内部数据库、互联网数据和物联网数据，不仅数量庞大、格式不一，质量也良莠不齐。这就要求数据准备环节一方面要规范格式，便于后续存储管理，另一方面要在尽可能保留原有语义的情况下去粗取精、消除噪声。 1.2.2数据存储与管理环节 当前全球数据量正以每年超过50%的速度增长，存储技术的成本和性能面临非常大的压力。大数据存储系统不仅需要以极低的成本存储海量数据，还要适应多样化的非结构化数据管理需求，具备数据格式上的可扩展性。 1.2.3计算处理环节 需要根据处理的数据类型和分析目标，采用适当的算法模型，快速处理数据。海量数据处理要消耗大量的计算资源，对于传统单机或并行计算技术来说，速度、可扩展性和成本上都难以适应大数据计算分析的新需求。分而治之的分布式计算成为大数据的主流计算架构，但在一些特定场景下的实时性还需要大幅提升。 1.2.4数据分析环节 数据分析环节需要从纷繁复杂的数据中发现规律提取新的知识，是大数据价值挖掘的关键。传统数据挖掘对象多是结构化、单一对象的小数据集，挖掘更侧重根据先验知识预先人工建立模型，然后依据既定模型进行分析。对于非结构化、多源异构的大数据集的分析，往往缺乏先验知识，很难建立显式的数学模型，这就需要发展更加智能的数据挖掘技术。 1.2.5知识展现环节 在大数据服务于决策支撑场景下，以直观的方式将分析结果呈现给用户，是大数据分析的重要环节。如何让复杂的分析结果易于理解是主要挑战。在嵌入多业务中的闭环大数据应用中，一般是由机器根据算法直接应用分析结果而无需人工干预，这种场景下知识展现环节则不是必需的。 1.3整体技术要求 1.3.1数据采集提取 基于视频图像大数据应用需要，采用多渠道多方式实现视频数据采集，汇聚整合来自图像信息联网平台、道路监控网“3.20”平台、各类无线图传系统、社会面图像监控、互联网图像平台以及移动警务通、移动图像终端、执法记录仪等图像终端采集录入的视频图像资源、人工和智能处理获取的信息资源以及相关管理信息等非结构化、半结构化和结构化数据信息，包括视频、音频、图像、文本、日志、记录等。 融入前端智能分析摄像机对车型、车辆特征、人脸、行为轨迹等方面的分析结果，实现非结构化数据的结构化提取，结构化数据录入云计算中心、非结构化数据录入云存储中心。 1.3.2数据存储管理 1. 结构化数据：面对大量的结构化数据，采用HDFS分布式存储方式，存储于XX市公安局新建的云计算中心，云计算中心20台高性能服务器采用HDFS + Hbase + JStorm方式构建，通过对各类结构化数据的采集、清洗、分类、存储，实现大数据管理和应用。 2．视频云存储：面对海量视频数据，采用具备大容量、高性能、大数据融合等特性的视频云存储架构，实现海量数据的高速转发与计算。视频云存储架构同时应用于视频、图片混合存储，承担整个系统内视频和图片的数据写入、读取工作。云存储系统采用基于云架构的分布式集群设计，在系统内部实现多设备协同工作，性能与资源的虚拟整合，最大限度利用硬件资源和存储空间，将云存储的存储功能、管理功能进行打包，通过开放透明的应用接口和简单易用的管理界面，与上层应用平台整合，