公安大数据简述

《公安大数据简述》由会员分享，可在线阅读，更多相关《公安大数据简述（16页珍藏版）》请在装配图网上搜索。

1、欢迎您阅读并下载本文档，本文档来源于互联网，如有侵权请联系删除！我们将竭诚为您提供优质的文档！1 公安大数据简述 数据正在呈指数级增长。之所以增长速度如此之快，背后有许多原因。现在几乎所有数据的产生形式，都是数字化的。各种传感器的剧增，高清晰度的图像和视频，都是数据爆炸的原因。如何收集、管理和分析数据正在日渐成为我们网络信息技术研究的重中之重。以机器学习、数据挖掘为基础的高级数据分析技术，将促进从数据到知识的转化、从知识到行动的跨越。联邦政府的每一个机构和部门，都需要制定一个应对“大数据”（Big Date）的战略。规划数字化的未来：美国总统科学技术顾问委员会给总统和国会的报告（2010年）欢

2、迎您阅读并下载本文档，本文档来源于互联网，如有侵权请联系删除！我们将竭诚为您提供优质的文档！2 第一节 公安信息化正步入大数据时代 进入信息时代之后，人们趋向把所有存储在计算机上的信息，都统称为数据。如果要考察信息的多少，就必须以物理存储器上保存的数据量为度量。根据数据量的大小，科学家定义了相应的存储单位，以方便对客观世界的描述。单位 英语标识 大小 位 Bit 0 或 1，指一个二进制数位，是计算机存储信息的逻辑单元。字节 Byte 1Byte=8 Bit，是计算机存储信息的基本物理单位。千字节 KB 1KB=1024 Byte，或 210Byte 兆字节 MB 1MB=1024 KB，或

3、220 Byte 吉字节 GB 1GB=1024 MB，或 230 Byte 太字节 TB 1TB=1024 GB，或 240 Byte 拍字节 PB 1PB=1024 TB，或 250 Byte 艾字节 EB 1EB=1024 PB，或 260 Byte 泽字节 ZB 1ZB=1024 EB，或 270 Byte 尧字节 YB 1YB=1024 ZB，或 280 Byte ByteKBMBGBTBPBEBZBYB 随着信息化技术的不断进步，数字化现在已经深深的渗透进了我们生活中的点点滴滴，我们已经不仅仅是信息的被动接受者，同时还是信息的创造者，而在我们不断创造的信息背后产生的就是海量的数据。

4、互联网上，每天新浪微博用户发博量超过 1 亿条，百度大约要处理数十亿次搜索请求，淘宝网站的交易达数千万笔，联通的用户上网记录一天达到 10TB 200PB/季度智慧城市数据中国某一线城市2090亿2021年RFID标签销售量2011年是1200万1.8ZBin 20112天的数据量 文明起始到2003年3.88亿/5.3亿移动/互联网用户中国 2012年6月$8000亿10年个人位置信息服务创造的价值5PB/年健康档案数据中国某一线城市 欢迎您阅读并下载本文档，本文档来源于互联网，如有侵权请联系删除！我们将竭诚为您提供优质的文档！3 根据国际数据公司 IDC 的监测，全球数据量大约每两年翻一番

5、，意味着人类在最近两年产生的数据量相当于之前产生的全部数据量，预计到 2020 年，全球将总共拥有 35ZB 的数据量，相较于 2010 年，数据量将增长近 30 倍。种种迹象表明，全球正迎来大数据时代。公安机关作为承担管理社会、维护稳定重要职能的政府部门，自然不可避免地受到这股大数据浪潮的影响。近年来，为了适应信息化条件下公安工作发展的需要，进一步提升公安机关打击犯罪、管理社会、服务群众的能力和水平，伴随着全国公安信息化工作的不断推进和深入，越来越多的现代化信息通信技术装备被广泛应用于公安各业务部门。视频监控系统、卡口抓拍系统、电子警察、大情报系统、指纹库、DNA 库、声纹库、人像库的建设和

6、应用，极大地丰富了公安机关侦查破案、管控社会的方法和手段，改变了传统的工作模式，解放了警力，提高了工作效率。然而这些信息系统在公安实战中发挥巨大作用的同时，也无一例外地显现出“大数据”所共有的“4V”特性：一是数据体量（Volume）大，有的系统由前端传感器 724 小时不间断生成数据，数据增长速度快。如视频监控系统，1 个高清视频监控探头 1 个月就将占用 2.5TB 的存储空间，500 个探头将轻易突破 PB 级存储需求，又如卡口抓拍系统，据交管部门测算，1 个卡口断面 1 天生成的数据就能达到 1 万2 万多条，几百路卡口 1 年将生成数十亿条数据。二是数据类别（Variety）多，冲破

7、了以往所限定的结构化数据范畴，来自多种数据源，种类繁多，结构不一，而其中 70%85%的数据都是图片、视频、音频、网页、文本等半结构化和非结构化数据。三是数据价值（Value）密度低，在系统存储的海量数据中，真正对于公安部门有用的信息如同沙里淘金，需要通过数据的深度关联分析，挖掘其中价值和潜力。以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒。卡口案事件人口户籍视频人脸音频生物信息 机器生成数据 724小时不间断 数据体量大 产生速度快 深度挖掘潜力大 关联分析价值高欢迎您阅读并下载本文档，本文档来源于互联网，如有侵权请联系删除！我们将竭诚为您提供优质的文档！4 四是数据处理速度（

8、Velocity）要求快，时效性高，警务工作对时间相当敏感，战机往往稍纵即逝。因此在对海量数据进行挖掘分析时，要求尽可能的秒级响应。欢迎您阅读并下载本文档，本文档来源于互联网，如有侵权请联系删除！我们将竭诚为您提供优质的文档！5 第二节 公安大数据面临的困难与挑战 “存”数据量急剧增长带来的系统扩展问题 在传统的系统架构下，数据存储体系依靠的是一套独立的数据库管理系统搭建而成，其存储能力往往在设计建造之初就已经由搭建数据库的服务器硬件设备性能所决定，且极难扩展。如果数据的存储量超过了系统的最大设计容限，就必须更换容量更大、性能更高的硬件设备，来满足更多数据存储的需求。然而当今我们处在公安大数据

9、的时代背景下，数据量可谓是“爆炸性”增长，其增长速度和规模一切都是未知和无法预料的，若单纯依靠不停地更新系统硬件，或是在系统的建设初期就投入巨大的前期成本来为将来买单，这样的做法显然不可取，也让人难以接受。一个明显的事实是，数据库不能依靠一台或少数几 台机器的升级更换（scale-up 纵向扩展）满足数据量的爆炸式增长，而是希望能方便地通过不断扩大系统规模（scale-out 横向扩展）来实现此目标。“管”数据结构多样带来的数据管理问题 智慧公安是智慧城市的一个有机组成部分，智慧城市中遇到的各类结构化、非结构化数据，如视频、图片、测量、日志等数据，在智慧公安中也比比皆是，而传统的关系型数据库对

10、非结构化数据的管理能力非常的薄弱，甚至就是不支持，这为公安大数据中的结构化数据、非结构化数据的统一管理带来了困扰。例如，我们把结构化数据放在数据库中心，把非结构化数据以文件的方式放在磁盘阵列中，而当磁盘阵列的IP 地址或存储路径发生变更时，数据库和磁盘阵列的数据对应关系就会被轻易的破坏。“用”大规模复杂结构数据带来的分析处理问题 暴增的数据量不仅仅带来存储的问题，也为系统的计算分析带来了新的挑战。这就是为什么我们听到公安实战业务部门最多的抱怨往往不是数据丢失或者损坏，而是随着存储数据量的增长，系统查询响应的速度变得越来越慢。公安信息化建设力度逐年加大，其相关信息系统日益丰富，但每个子系统都需要

11、自下而上完成采集、存储、交换、管理和应用模块的建设，数据系统的构建者往往是应用系统的构建者，当数据完成统一存储和管理后，大多数情况也仅由该应用系统的集成商进行使用。目前各地公安，在本地都有相应的存储设备、数欢迎您阅读并下载本文档，本文档来源于互联网，如有侵权请联系删除！我们将竭诚为您提供优质的文档！6 据库，存储各种非结构化（图片、视频）和结构化（特征、属性）数据，如果需要交换这些数据，需要建立大量的数据接口，维护起来非常复杂，也将带来非常大的网络交换压力。欢迎您阅读并下载本文档，本文档来源于互联网，如有侵权请联系删除！我们将竭诚为您提供优质的文档！7 第三节 公安大数据的破解之道 在我们看来

12、，公安大数据如要成功提取其中的丰富价值，为治安防控、刑事侦查、智慧交通以及指挥调度提供强有力的支撑，就必须关注大数据的“收集、存储、维护、分析、共享”五个环节。视频图片内容收集结构化非结构化存储二次解析图像增强维护智能搜索碰撞挖掘分析云门户云服务云管理共享 无论是视频、图片、音频，还是文字、指纹、DNA、网页等数据，最终都应通过上述五个环节，转换为公安部门关心的人、车、物、环境、案事件、犯罪组织等目标的时空轨迹信息或逻辑关联信息，而只有结构化表达，结构化检索，才能真正让大数据的挖掘分析工具来协助我们完成数据价值的提取，从而发现规律、加快处置和预测未来。这才是公安大数据管理和应用的关键所在。挖掘

13、潜在犯罪规律 加快应急处置速度 辅助案件分析预测 提高应用管理水平 提高应用服务水平 人行为轨迹 车行为轨迹 物出现轨迹 环境与场景 关联案事件海量视频海量图片海量情报 然而，基于大数据呈现出得新的形态和特点，要想实现上述目标，传统的数据库技术和IT 系统架构已经开始出现疲态，技术瓶颈逐步显现，相关情报研判和案件侦破的响应速度越来越慢，有些应用场景已经完全不能支撑。传统技术就像一艘老旧的航船，无法高效在大数据的海洋中挖掘捕捞有价值的物产，并随时都有倾覆的危险。我们应突破现有的系统体系架构，通过构建一个统一大数据存储管理平台，从而实现对海量数据进行高效的查询、统计、分析，快速获得我们所需要的信息

14、，从中挖掘价值和潜力，提炼出更多的智慧，才能更好地为各项公安工作服务。欢迎您阅读并下载本文档，本文档来源于互联网，如有侵权请联系删除！我们将竭诚为您提供优质的文档！8 那么，我们采用什么样的技术来创建统一的公安大数据存储管理平台呢？目前业内常见的大数据处理技术就多达数十种，例如 Hadoop、MongoDB、Redis、Exadata、Greenplum、Infobright等等，不一而足。无论是业内公认的最佳大数据开源项目 Hadoop，还是各大 IT 厂商推出来的大数据技术产品，其本质都是在解决分布式存储、非关系型数据管理和高效的并行计算框架这三项大数据问题，并专注于其中的一项或多项。我们

15、在对公安大数据平台进行技术选型时，必须全面考量这三个方面。其中，Hadoop 全面兼顾了这三个方面的技术突破，其精巧的设计、低成本的实现和开放的开源模式受到了众多大数据用户的青睐。Hadoop 技术框图 分布式文件系统大数据存储解决之道 大数据首先是体量大，集中存放在一台机器上是不可能的，当体量达到一定程度，集中存放于一个数据中心都会是奢望，因此“分开存储”是非常自然的解决方案。为保证大数据存储的高可用、高可靠和经济型，我们必须化整为零：采用分布式存储的方式来存储数据，采用冗余存储的方式来保证存储数据的可靠性，以高可靠软件来弥补硬件的不可靠，从而提供廉价可靠的大数据存储系统。“分开存储”并不意

16、味着用户希望“分开管理”，“物理上分布，逻辑上统一”，用户希望从外面看进去，依然还是统一的大数据存储池，无论查询读取还是统计分析，都在一个抽象的完整数据集上操作，这就要求我们设计一个特殊的网络文件系统，能够同时协调管理多台服务器、甚至多个数据中心的文件读写操作，从而将多台服务器或多个数据中心虚拟连接为一个整体。大数据的网络存储欢迎您阅读并下载本文档，本文档来源于互联网，如有侵权请联系删除！我们将竭诚为您提供优质的文档！9 需求，催生了许多优秀的分布式文件系统和云存储服务，最典型的分布式文件系统是 Google 的 GFS 和 Hadoop 的 HDFS，而存储虚拟化加上存储自动化、网络化就是云

17、存储，如 Amazon 的 S3。非关系型数据库大数据管理解决之道 在 Oracle、SQLServer 等大型关系型数据库上做过系统开发的人都知道，大数据量的信息系统，非常忌讳多个大表的关联查询，以及复杂的数据分析或报表统计，当关系型数据库遇到大数据，往往更多的只是单表的主键查询，以及单表的简单条件分页查询这意味着关系型数据库的强项，也就是基于 SQL 语句的复杂计算将无用武之地。其次，大数据具备多样性，几十种甚至上百种的结构化或非结构化属性数据都需要赋予同一个数据对象，传统的关系型数据库无法适应这种超宽表的架构设计。同时我们还会看到，传统关系数据库以二维表的方式管理数据,在数据类型上主要管

18、理各种字符型、数值型数据,虽然后来也提供了对于一些超长文本、图像、声音等多媒体以及面向对象的扩充,但对这些数据类型的扩充仅仅停留在简单的存储与输出上，对于数据的深层次的检索或其他需求必须通过特别的开发和处理,不但难以实现，而且会对系统效率产生较大负面影响。综上，关系型数据库已无法适应越来越多的大数据应用场景，为了解决这类问题，我们进行反向思维，非关系型数据库应运而生。非关系型数据库在大数据存取上具备关系型数据库无法比拟的性能优势。这种数据库能在许多服务器之间延展，允许用户在必要时候扩大运算，甚至是在不同的地理位置之间也可以。同时，这种数据库还能给用户带来按自己喜欢的方式架构数据的自由度，例如以

19、 Lotus Notes 为代表的文件数据库存储模型、以 HBase为代表的 Key-Value 键值对存储模型、以 MongoDB 为代表的“面向集合”存储模型等等。关系型数据库中的表都是存储一些格式化的数据结构，每个元组字段的组成都一样，即使不是每个元组都需要所有的字段，但数据库会为每个元组分配所有的字段，这样的结构可以便于表与表之间进行连接等操作，但从另一个角度来说它也是关系型数据库性能瓶颈的一个因素。而非关系型数据库，特别是键/值数据库(Key-Value Store DB)，它的结构不固定，每一个元组可以有不一样的字段，欢迎您阅读并下载本文档，本文档来源于互联网，如有侵权请联系删除！

20、我们将竭诚为您提供优质的文档！10 每个元组可以根据需要增加一些自己的键值对，这样就不会局限于固定的结构，可以减少一些时间和空间的开销。键/值数据库是目前最为主流的非关系型数据库，它可以灵活存放各类结构化或非结构化数据，可以灵活加列（列式数据库），可以灵活组合为列族，还可以灵活为键值保存多个历史版本，是一种非常适合大数据管理的多维数据库模型。并行式计算架构大数据应用解决之道 并行计算是相对于串行计算来说的，具体分为时间上的并行和空间上的并行，大数据并行计算主要遇到的是空间并行问题，也就是说，如何利用多个处理器或多台计算机来并发的执行计算。众人拾柴火焰高，为了高效地对大数据进行挖掘应用，使用户能

21、更轻松的享受大数据带来的大智慧和大价值，大数据平台必须采用多台计算机并行处理的工作模式，而且考虑到大数据的高增长性，还要能通过增加并行服务器的数量，来不断提升大数据平台的高速计算性能。面向大数据最典型的分布式并行计算模式是MapReduce编程模型，MapReduce将大型任务分成很多细粒度的子任务，这些子任务分布式地在多个计算节点上进行调度和计算，从而在整体上获得对大数据的秒级处理能力。大数据应用要求秒级响应。在大数据的应用场景下，再高端的、再昂贵的小型机，也比不上几台普通服务器的并机处理能力，用并行计算技术提升大数据的挖掘分析速度，这就是大数据的应用之道。欢迎您阅读并下载本文档，本文档来源

22、于互联网，如有侵权请联系删除！我们将竭诚为您提供优质的文档！11 第四节 公安大数据的未来展望 视频大数据智能搜索应用未来展望（智能搜索的应用背景）近年来，随着安防技术的蓬勃发展，以及人们对于环境安全、人身安全日益迫切的保障要求，面向城市治安和交通管制的视频监控系统也进入了前所未有的大规模应用阶段。摄像头数量的快速增多，在给公安人员带来更多影像信息支持的同时，也带来的极大的工作挑战。一个标准的视频监控系统经常有成千上百路甚至上万路（如“平安城市”类监控项目）的实时视频和不少于 30 天的数字录像数据，有限的人力根本无法及时响应所有实时图像中的异常警情，就算提供智能分析的技术手段来促使警员集中注

23、意力，也常因报警事件的频繁误报和事发前嫌疑目标的隐蔽性而收效甚微，因此在事发后回查录像成为了获取案事件重要线索、对案事件提取证据的重要手段。对录像进行分析取证的难点在于，需要追查嫌疑目标时，海量的视频数据无法被有效、高效地检索，只能消耗大量工作时间和临时加派人手等手段来进行人工辨识、分析和查找，警员极度劳累不说，还极为容易贻误战机。统计表明，操作人员盯着屏幕电视墙超过 10 分钟后将漏掉 90的视频信息；而在伦敦地铁案中，安保人员花了 70 个工时才在大量磁带中找到需要的信息。而且，更为遗憾的是，受目前视频存储技术和购置成本的限制，超过 30 天之后的视频录像将被强行删除，这也让公安部门面临超

24、期之后无视频可查的尴尬局面。为解决上述问题，基于内容的视频大数据智能搜索技术应运而生。视频大数据智能搜索技术实现了机器对图像内容的理解、识别、语义提取和特征描述，并提供了先进的以图搜图和大数据并行搜索技术，从而帮助公安人员快速的从海量视频中筛选和发现嫌疑目标，而且在视频解析转换为结构化数据的同时，还能并行提供实时行为分析、特征比对报警和无内容视频剔除等扩展功能，一方面将警员从繁杂而枯燥的“盯屏幕”任务中解脱出来，另一方面还能将 30 天过期删除的视频数据进行抽帧转存，以更小的存储空间保存更多的有价值的关键图片信欢迎您阅读并下载本文档，本文档来源于互联网，如有侵权请联系删除！我们将竭诚为您提供优

25、质的文档！12 息，大大节省了相同保存周期下的建设投资压力。未来场景 1：大海捞针秒级响应 由于视频监控的客观、连续等特点，案发前后嫌疑对象的整个活动过程会在治安摄像头中留下丰富的信息资源，通过对单帧图像的分析、研判，确定出嫌疑对象的细微活动痕迹、片段、特征，获取与之相关联的轨迹信息，是视频侦查常用的技术手段。在未来的视频大数据应用场景中，人们不再需要人工调取海量的视频录像，如同大海捞针般在 PB 级的视频影像中发现那一闪而逝的嫌疑目标，只要简单的输入嫌疑人的颜色、交通工具、体貌特征等文字描述，或者上传该嫌疑人的照片或视频截图，即可以依托视频大数据平台的海量数据挖掘分析能力，秒级响应，快速的搜

26、索出嫌疑人曾经出现过的视频片段和过车图片，并连点成线构建破案线索，快速破获案件。未来场景 2：自动关联智能并案 犯罪分子在没有落入法网之前，常常会多起作案或流窜作案，因此侦查警员往往要在海量的案事件视频图片中去比对发现相似的作案手段或涉案物品，从而将多案并为一案，丰富案情线索，加快破案的速度。在未来的视频大数据应用场景中，人们不仅可以利用视频大数据平台对案事件的人工标注信息和自动标注信息进行统一汇总管理，还能智能化的完成跨省市的线索筛选比对，更进一步，利用视频大数据的高效运算能力，还能直接在图片等非结构化数据中进行智能特征比对，快速发现相似线索。所有的比对搜索工作，无论是标注信息匹配，还是图片

27、特征比对，都可以在几秒或几分钟内完成。未来场景 3：魔高一尺道高一丈 现今社会高速发展，犯罪分子的作案手段层出不穷，而侦查技术手段也在不断更新，而很多视频智能分析系统在建设初期就框死了能够实现的特征和行为分析算法，尤其是前端嵌入式智能，很难进行再次的升级改造。在未来的视频大数据应用场景中，进入到视频大数据平台的视频片段或图片，都会再一次通过大数据平台的二次解析云计算服务完成深加工，并且可以根据侦缉技战法的创新需要，不断的添加新的视频分析算法，不再受限于原视频智能系统能够提供的算法能力。犯罪分子的作案手法再层出不穷，视频大数据的智欢迎您阅读并下载本文档，本文档来源于互联网，如有侵权请联系删除！我

28、们将竭诚为您提供优质的文档！13 能分析算法也能不断丰富补充，让犯罪行为无处遁形。未来场景 4：过期录像变废为宝 根据治安监控的需要，常规的视频录像需要保存30 天，也只能保存 30 天，这是因为 24 小时不间断的视频录像数据非常巨大，1 路 1080p 的高清摄像机 30天产生的数据就高达 2.5TB，500 路摄像机就能轻易突破 PB 量级，30 天后也就只能删除抛弃了，非常可惜。当案件超过 30 天未能破获时，没有原始的视频图像提供支撑，案情更加难以突破。在未来的视频大数据应用场景中，30 天过期删除的视频录像信息都会根据图像中出现的人、车、物目标进行关键帧的图片提取，大幅压缩存储空间

29、后进入大数据平台，从而使得 30 天后的破案工作仍能得到图像信息的支撑，大大保障了疑难案事件的破获成功率。未来场景 5：新老结构混合运算 根据公安办案的要求，我们在视频大数据信息库中存放的信息类型是需要不断扩展和调整的。比如一段视频中的嫌疑人，我们开始对他的属性定义是颜色、类型，可以后面就要追加速度、步态，颜色也可能会进一步细分为上身颜色和下身颜色，因此对应的数据结构就会不断的变化，随着时间的推移，也会存在老的数据结构和新的数据结构，两者是很难并表查询的。在未来的视频大数据应用场景中，大数据平台采用的是一种兼容并包的松耦合数据管理模式。无论新的特征搜索，还是老的特征搜索，只要用户输入条件，都可

30、以统一查询和检索，帮助用户最大化扩展搜索范围，提高命中率，进一步提升破案率。卡口大数据整合共享应用未来展望（智能卡口的应用背景）前端智能车辆监测点（卡口或电警）全天候、自动、不间断、无遗漏对过往车辆予以识别、抓拍、特征提取和事件检测，并将生成的车辆检测信息实时上传公安数据中心，由数据中心完成进一步的存储、分析、处理和应用，从 而实现车辆信息综合查询、车辆行驶轨迹跟踪、嫌疑车辆布控报警、异常事件检测预警、车辆出行关联性分析、交通流量统计分析等一系列与公安部门和交欢迎您阅读并下载本文档，本文档来源于互联网，如有侵权请联系删除！我们将竭诚为您提供优质的文档！14 管部门业务需求紧密结合的应用功能。一

31、方面为公安部门的安全监管提供机动车辆的动态信息，帮助预防和打击违法犯罪，维护社会治安稳定；另一方面，也可配合交管部门管理交通违章信息，嫌疑和套牌车信息，交通道路机动车辆流量信息，为交管部门执法或决策提供基础数据支持。由于卡口系统建设的巨大作用，各省市公安机关都在加大相关工程项目的建设，规划建设上百上千个卡口采集点位已经非常普遍，而大量的数据都分散在各个公安市局或分县局的分数据中心。首先，各地市或分县局的卡口数据（尤其是非结构化数据）的存储管理压力持续增长，既有系统的承载能力很快超出了原先的设计容量；其次，基于传统数据库的卡口数据查询效率尚可，但统计分析能力欠佳，数据高速增长下的计算性能也在快速

32、下滑；另外，上级单位的数据整合应用也非常困难，依据传统数据库技术，数据不上传无法统一应用，而上传再应用的成本又太高难以承受，左右为难。为此，我们需要建设一套既能满足各地市卡口信息应用，又能满足上级单位对卡口数据进行汇聚整合的卡口大数据管理平台。未来场景 1：精打细算随需扩展 对于卡口信息来说，由于其目标清晰、内容丰富，对于公安破案的作用有时候比视频监控还要重要，刑侦人员在案发后的第一时间想到的就是查找涉案车辆的卡口记录，因此很多公安机关在建成智能卡口系统后，都想不断的扩大卡口前端的建设和接入规模，并希望卡口数据存下来后就尽可能不要删除了。为此带来的问题就是，系统升级困难，数据越存越多，速度越跑

33、越慢。在未来的卡口大数据应用场景中，卡口系统的扩展建设可以简单的通过追加普通的 PC 服务器来完成，每增加 1 台 PC 服务器，就能相应的增加若干 CPU 计算资源和磁盘存储资源，而整体系统的运算速度并不降低。操作非常简单，规模有多大，就配置多少 PC 服务器，增长的时候追加，缩小规模也可裁剪，如果挪作他用，普通的 PC 服务器也可化整为零，分散到不同的应用系统中去。从此，公安部门再也不用为将来的数据高增长提前买单了，精打细算，无需过多预留，有需要了再添设备。未来场景 2：跨市布控全省统计 当前的智能卡口系统，多建设于各个地市，甚至是下面的分县局，数据分散，欢迎您阅读并下载本文档，本文档来源

34、于互联网，如有侵权请联系删除！我们将竭诚为您提供优质的文档！15 难以统一利用，采用逐级上传的方式向上汇聚，又对网络和存储设备带来很大的资金压力，让用户进退两难。在未来的卡口大数据应用场景中，卡口数据无需上传就可在上级单位处进行统一的查询、统计和访问应用，跨市布控和全省统计不再困难，甚至跨省追逃都能轻易实现，这是因为卡口大数据平台采用了多数据中心的分布式管理架构，多个数据分中心可以虚拟成一个大的数据总中心，用户访问虚拟数据中心时，并不会感到数据不在此处，提出查询要求，大数据平台会自动分配给多个物理分中心去运算，并将计算结果合并后统一返回，应用十分便捷。未来场景 3：共享共用消除浪费 鉴于智能卡

35、口系统在公安工作中起到的巨大作用，很多公安信息系统，如视频综合应用系统、视频指挥调度系统、大情报系统等，都需要使用该类数据，但由于各自为战，各自建设数据访问接口，各自封装查询分析功能，造成了重复建设的极大浪费，又因接口封装未能统一优化，集成效果也往往不佳。在未来的卡口大数据应用场景中，大数据平台会统一采集、存储和管理卡口数据，并对外提供丰富、稳定和高效的数据分析服务组件，帮助外部信息系统更好的使用卡口大数据。类似 PGIS 警用地理信息系统平台对地理信息的标准化存储管理和对外统一提供的工具集和服务集一样，卡口大数据平台的统一建设在一定程度上消除了卡口应用的重复建设，优化了系统整体架构。未来场景

36、 4：复杂运算秒级响应 智能卡口系统自诞生以来，就以数据增长快、数据规模大而著称，几亿条几十亿条数据的管理规模在全国各地比比皆是，这是不仅仅是因为车流量的不断加大，还是因为卡口点位的不断增长和卡口保存周期的不断延长。那么在如此浩瀚的数据中进行复杂条件、模糊条件的查询和分析时就非常的困难，响应速度往往是分钟级，甚至以小时计。有不少系统建设商，为了避免复杂运算导致系统宕机或崩溃，往往在人机界面上收缩其搜索范围，例如限定查询时间只能是 1 个小时或更短的时间内容，为用户使用带来了很多不便。在未来的卡口大数据应用场景中，大数据平台由于采用了先进的海量数据分解并行计算技术，再大的数据量，只要平台的服务器

37、数量能够达到一定数量，都可以让复杂运算简单化，将分钟级、小时级系统响应速度，降到几秒或数分钟内欢迎您阅读并下载本文档，本文档来源于互联网，如有侵权请联系删除！我们将竭诚为您提供优质的文档！16 完成。而且随着节点数的增多，响应速度还可以不断提升。未来场景 5：二次识别优化质量 目前国内智能卡口系统的建设厂商有上百家之多，建成时间和技术水平层次不齐，这也导致卡口数据内容和质量的不一致。有的只有车辆号牌数据，有的车牌、车型、车标、颜色、速度等信息一应俱全，有的号牌识别精度仅 6070%，有的号牌识别精度高达 95%以上，这为全省的卡口大数据的联网分析应用带来的极大的障碍。在未来的卡口大数据应用场景中，大数据平台会提供相应的卡口二次识别工具集，构成一个卡口大数据的二次识别服务集群，通过对大数据平台中过车图片的第二次目标提取和特征识别，不断优化卡口大数据的内在数据品质，使得卡口数据的联网应用具有更好的实战价值。