Системы видеонаблюдения, также известные как замкнутое телевидение (CCTV), широко используются в самых разных местах, включая общественные зоны, общественную инфраструктуру, коммерческие здания и многое другое. В большинстве случаев они используются для двойной цели: для мониторинга физических объектов и помещений в режиме реального времени и для просмотра собранной видеоинформации для определения показателей безопасности и планирования мер безопасности.
Несмотря на то, что системы видеонаблюдения были неотъемлемой частью общественного сектора и сектора безопасности на протяжении десятилетий, к ним проявляют значительный интерес за пределами этих отраслей. Этот интерес во многом обусловлен ростом уровня преступности и угроз безопасности по всему миру, которые стимулируют постоянный рост рынка видеонаблюдения. Согласно недавнему отчету Mordor Intelligence, в 2016 году рынок видеонаблюдения оценивался в 29,98 миллиарда долларов, и ожидается, что к 2022 году он достигнет 72,19 миллиарда долларов. Этому рыночному потенциалу способствуют также последние достижения в области ИТ—технологий, повышающие интеллектуальность, масштабируемость и точность решений для видеонаблюдения. Что движет основными технологическими тенденциями в области видеонаблюдения? Как вы можете наилучшим образом использовать их?
Эволюция систем видеонаблюдения обусловлена следующими технологическими тенденциями:
Интеллектуальный и контекстно-зависимый сбор видеоданных
Последние достижения в области обработки сигналов позволяют разрабатывать интеллектуальные системы видеонаблюдения, в частности системы, которые могут гибко адаптировать скорость сбора видеоданных. В частности, при обнаружении индикатора инцидента безопасности скорость сбора данных увеличивается, чтобы предоставить более подробную информацию для более точного и достоверного анализа.
Инфраструктуры больших данных
Современные инфраструктуры больших данных открыли новые горизонты для хранения и доступа к видеоданным, которые характеризуются 4-мя характеристиками больших данных: объем, скорость, разнообразие и достоверность. В частности, сбор огромных объемов данных с нескольких камер, в том числе потоковых данных с высокой частотой приема, теперь намного проще, чем это было в прошлом. Системы больших данных предоставляют средства для создания и внедрения архитектур видеонаблюдения, которые масштабируются плавным и экономичным способом.
Системы потоковой передачи данных
За последние пару лет появилось много систем потокового вещания. Последние предоставляют функциональные возможности для управления потоками и потоковой аналитики, являясь важной частью ранее рассмотренных систем больших данных.
Прогнозная аналитика и искусственный интеллект (ИИ)
2016 и 2017 годы были важными годами в истории искусственного интеллекта из-за появления прорывных подходов к глубокому обучению, подобных тем, которые используются в движке Alpha AI от Google. Эволюция глубоких нейронных сетей может быть непосредственно использована в системах видеонаблюдения, чтобы наделить их исключительным интеллектом и обеспечить более эффективные процессы наблюдения. Например, ИИ может включать прогнозную аналитику, которая позволяет операторам безопасности предвидеть инциденты безопасности и активно готовиться к ним.
Дроны и Интернет вещей (IoT)
Сочетание устройств Интернета вещей и интеллектуальных объектов с системами видеонаблюдения также станет ключом к обеспечению следующего поколения функций безопасности и наблюдения. В этом направлении в настоящее время используются беспилотные летательные аппараты (БПЛА) (т.Е. Дроны), чтобы обеспечить универсальность и функциональность видеонаблюдения, которые вряд ли возможны на основе обычных стационарных камер.
Интеграция физической и кибербезопасности
Продолжающаяся цифровая трансформация промышленных активов и процессов постепенно приводит к сближению мер физической и кибербезопасности. Системы видеонаблюдения играют ключевую роль в этом сближении, поскольку они представляют собой ИТ-инфраструктуру, которую можно использовать для мониторинга физических областей. Следовательно, они могут быть гибко интегрированы с другими системами кибербезопасности для обеспечения целостного и комплексного подхода к безопасности и наблюдению.
Проектирование систем видеонаблюдения
Перечисленные выше технологии открывают новые горизонты в разработке, внедрении и эксплуатации интеллектуальных систем видеонаблюдения. Но именно разработчики и разработчики систем видеонаблюдения должны интегрировать и в полной мере использовать функциональные возможности этих технологий. С этой целью важно разработать и внедрить надлежащую архитектуру для вашей инфраструктуры видеонаблюдения. Современные архитектуры систем видеонаблюдения соответствуют современным требованиям /fog computing парадигма, позволяющая обрабатывать видеоинформацию ближе к полю. Это позволяет им экономить на пропускной способности и осуществлять мониторинг безопасности в режиме реального времени. Камеры размещаются на границе сети как часть пограничных узлов, которые способны захватывать и обрабатывать видеокадры. Пограничные узлы также могут реализовать интеллектуальный сбор данных путем настройки частоты кадров на основе определенного контекста безопасности. Кроме того, они подключены к облачной инфраструктуре, где информация с нескольких камер подключается, просматривается и анализируется в более грубых временных масштабах.
Вычислительные архитектуры Edge / fog также являются идеальным выбором для поддержки сочетания видеонаблюдения с представленными технологиями. Дроны Интернета вещей должны быть интегрированы с соответствующими пограничными узлами как часть архитектуры мобильных периферийных вычислений. Потоковая аналитика в реальном времени должна выполняться на границе, а не в облаке развертывания видеонаблюдения. Функции глубокого обучения могут быть развернуты как на пограничном, так и на облачном уровне. Глубокие нейронные сети на границе могут поддерживать извлечение сложных шаблонов безопасности в режиме реального времени. В то же время извлечение шаблонов безопасности и знаний о больших областях, которые покрываются многими пограничными узлами (например, развертывание по всему городу), возможно только благодаря развертыванию глубокого обучения в облаке. В общем, довольно сложно решить, следует ли размещать некоторые функции в облаке или на границе. Соответствующие решения обычно связаны с разрешением компромиссов (например, скорость обработки и точность обработки для некоторой функции наблюдения).
Системы видеонаблюдения могут извлечь выгоду из открытых архитектур от нескольких поставщиков оборудования. Это связано с тем, что решение для видеонаблюдения может включать в себя различные устройства и способы захвата видео (например, камеры высокой четкости, проводные и беспроводные камеры, камеры в дронах / беспилотных летательных аппаратах и многое другое). Открытая архитектура может обеспечить гибкость, простоту развертывания и технологическую долговечность. В последнее время предпринимаются попытки внедрить открытую, основанную на стандартах архитектуру для пограничных / туманных вычислений, чтобы представить видеонаблюдение как одно из основных применений туманных вычислений.
Проблемы и лучшие практики внедрения
Помимо спецификации надлежащей архитектуры периферийных вычислений, разработчикам систем видеонаблюдения приходится сталкиваться и с другими проблемами. Одна из этих проблем касается обеспечения конфиденциальности и соблюдения правил защиты данных. Действительно, развертывание датчиков наблюдения регулируется законами и директивами о конфиденциальности и защите данных, которые иногда налагают ограничения на характер и масштаб развертывания. Аналогичным образом, использование дронов также должно соответствовать соответствующим правилам.
Еще одна проблема касается уровня автоматизации решения. Хотя автоматизация в целом желательна для охвата и мониторинга более широких областей без привлечения дополнительных человеческих ресурсов, контроль и вмешательство человека по-прежнему являются ключом к надежности общего решения. Кроме того, еще одна проблема связана с новыми угрозами, которые могут быть связаны с киберфизической природой систем видеонаблюдения. Физическая атака может сопровождаться кибератакой на инфраструктуру видеонаблюдения, что может поставить под угрозу способность последней обнаруживать инцидент с физической безопасностью.
Еще одна проблема связана с внедрением интеллектуального анализа, основанного на данных (т.Е. В рамках прогнозной аналитики и искусственного интеллекта), для чего требуются большие объемы данных с инцидентами безопасности, которые вряд ли доступны. ИИ на переднем крае (например, легкие и эффективные глубокие нейронные сети) все еще находится в зачаточном состоянии, несмотря на появление инновационных стартапов с продуктами и услугами Edge AI.
Чтобы противостоять этим вызовам, разработчикам и разработчикам решений для видеонаблюдения необходимо лучше соблюдать стандарты и правила, а также применять постепенный / поэтапный подход к развертыванию. Последнее должно обеспечить плавный переход от ручных, то есть управляемых человеком-оператором, систем к полностью автоматизированному визуальному наблюдению на основе искусственного интеллекта. Также требуется постепенное внедрение интеллектуальных данных, основанных на данных, начиная с простых правил и переходя к более сложным методам машинного обучения, которые могут обнаруживать более сложные, асимметричные схемы атак. Другой передовой практикой является развертывание открытых архитектур, которые могут использовать как будущие, так и устаревшие датчики наблюдения, в качестве средства использования расширенных функциональных возможностей с наилучшим соотношением цены и качества. В целом, современные решения для видеонаблюдения могут быть очень инновационными, поскольку они могут включать передовые ИТ и сетевые технологии.
Несмотря на то, что системы видеонаблюдения были неотъемлемой частью общественного сектора и сектора безопасности на протяжении десятилетий, к ним проявляют значительный интерес за пределами этих отраслей. Этот интерес во многом обусловлен ростом уровня преступности и угроз безопасности по всему миру, которые стимулируют постоянный рост рынка видеонаблюдения. Согласно недавнему отчету Mordor Intelligence, в 2016 году рынок видеонаблюдения оценивался в 29,98 миллиарда долларов, и ожидается, что к 2022 году он достигнет 72,19 миллиарда долларов. Этому рыночному потенциалу способствуют также последние достижения в области ИТ—технологий, повышающие интеллектуальность, масштабируемость и точность решений для видеонаблюдения. Что движет основными технологическими тенденциями в области видеонаблюдения? Как вы можете наилучшим образом использовать их?
Эволюция систем видеонаблюдения обусловлена следующими технологическими тенденциями:
Интеллектуальный и контекстно-зависимый сбор видеоданных
Последние достижения в области обработки сигналов позволяют разрабатывать интеллектуальные системы видеонаблюдения, в частности системы, которые могут гибко адаптировать скорость сбора видеоданных. В частности, при обнаружении индикатора инцидента безопасности скорость сбора данных увеличивается, чтобы предоставить более подробную информацию для более точного и достоверного анализа.
Инфраструктуры больших данных
Современные инфраструктуры больших данных открыли новые горизонты для хранения и доступа к видеоданным, которые характеризуются 4-мя характеристиками больших данных: объем, скорость, разнообразие и достоверность. В частности, сбор огромных объемов данных с нескольких камер, в том числе потоковых данных с высокой частотой приема, теперь намного проще, чем это было в прошлом. Системы больших данных предоставляют средства для создания и внедрения архитектур видеонаблюдения, которые масштабируются плавным и экономичным способом.
Системы потоковой передачи данных
За последние пару лет появилось много систем потокового вещания. Последние предоставляют функциональные возможности для управления потоками и потоковой аналитики, являясь важной частью ранее рассмотренных систем больших данных.
Прогнозная аналитика и искусственный интеллект (ИИ)
2016 и 2017 годы были важными годами в истории искусственного интеллекта из-за появления прорывных подходов к глубокому обучению, подобных тем, которые используются в движке Alpha AI от Google. Эволюция глубоких нейронных сетей может быть непосредственно использована в системах видеонаблюдения, чтобы наделить их исключительным интеллектом и обеспечить более эффективные процессы наблюдения. Например, ИИ может включать прогнозную аналитику, которая позволяет операторам безопасности предвидеть инциденты безопасности и активно готовиться к ним.
Дроны и Интернет вещей (IoT)
Сочетание устройств Интернета вещей и интеллектуальных объектов с системами видеонаблюдения также станет ключом к обеспечению следующего поколения функций безопасности и наблюдения. В этом направлении в настоящее время используются беспилотные летательные аппараты (БПЛА) (т.Е. Дроны), чтобы обеспечить универсальность и функциональность видеонаблюдения, которые вряд ли возможны на основе обычных стационарных камер.
Интеграция физической и кибербезопасности
Продолжающаяся цифровая трансформация промышленных активов и процессов постепенно приводит к сближению мер физической и кибербезопасности. Системы видеонаблюдения играют ключевую роль в этом сближении, поскольку они представляют собой ИТ-инфраструктуру, которую можно использовать для мониторинга физических областей. Следовательно, они могут быть гибко интегрированы с другими системами кибербезопасности для обеспечения целостного и комплексного подхода к безопасности и наблюдению.
Проектирование систем видеонаблюдения
Перечисленные выше технологии открывают новые горизонты в разработке, внедрении и эксплуатации интеллектуальных систем видеонаблюдения. Но именно разработчики и разработчики систем видеонаблюдения должны интегрировать и в полной мере использовать функциональные возможности этих технологий. С этой целью важно разработать и внедрить надлежащую архитектуру для вашей инфраструктуры видеонаблюдения. Современные архитектуры систем видеонаблюдения соответствуют современным требованиям /fog computing парадигма, позволяющая обрабатывать видеоинформацию ближе к полю. Это позволяет им экономить на пропускной способности и осуществлять мониторинг безопасности в режиме реального времени. Камеры размещаются на границе сети как часть пограничных узлов, которые способны захватывать и обрабатывать видеокадры. Пограничные узлы также могут реализовать интеллектуальный сбор данных путем настройки частоты кадров на основе определенного контекста безопасности. Кроме того, они подключены к облачной инфраструктуре, где информация с нескольких камер подключается, просматривается и анализируется в более грубых временных масштабах.
Вычислительные архитектуры Edge / fog также являются идеальным выбором для поддержки сочетания видеонаблюдения с представленными технологиями. Дроны Интернета вещей должны быть интегрированы с соответствующими пограничными узлами как часть архитектуры мобильных периферийных вычислений. Потоковая аналитика в реальном времени должна выполняться на границе, а не в облаке развертывания видеонаблюдения. Функции глубокого обучения могут быть развернуты как на пограничном, так и на облачном уровне. Глубокие нейронные сети на границе могут поддерживать извлечение сложных шаблонов безопасности в режиме реального времени. В то же время извлечение шаблонов безопасности и знаний о больших областях, которые покрываются многими пограничными узлами (например, развертывание по всему городу), возможно только благодаря развертыванию глубокого обучения в облаке. В общем, довольно сложно решить, следует ли размещать некоторые функции в облаке или на границе. Соответствующие решения обычно связаны с разрешением компромиссов (например, скорость обработки и точность обработки для некоторой функции наблюдения).
Системы видеонаблюдения могут извлечь выгоду из открытых архитектур от нескольких поставщиков оборудования. Это связано с тем, что решение для видеонаблюдения может включать в себя различные устройства и способы захвата видео (например, камеры высокой четкости, проводные и беспроводные камеры, камеры в дронах / беспилотных летательных аппаратах и многое другое). Открытая архитектура может обеспечить гибкость, простоту развертывания и технологическую долговечность. В последнее время предпринимаются попытки внедрить открытую, основанную на стандартах архитектуру для пограничных / туманных вычислений, чтобы представить видеонаблюдение как одно из основных применений туманных вычислений.
Проблемы и лучшие практики внедрения
Помимо спецификации надлежащей архитектуры периферийных вычислений, разработчикам систем видеонаблюдения приходится сталкиваться и с другими проблемами. Одна из этих проблем касается обеспечения конфиденциальности и соблюдения правил защиты данных. Действительно, развертывание датчиков наблюдения регулируется законами и директивами о конфиденциальности и защите данных, которые иногда налагают ограничения на характер и масштаб развертывания. Аналогичным образом, использование дронов также должно соответствовать соответствующим правилам.
Еще одна проблема касается уровня автоматизации решения. Хотя автоматизация в целом желательна для охвата и мониторинга более широких областей без привлечения дополнительных человеческих ресурсов, контроль и вмешательство человека по-прежнему являются ключом к надежности общего решения. Кроме того, еще одна проблема связана с новыми угрозами, которые могут быть связаны с киберфизической природой систем видеонаблюдения. Физическая атака может сопровождаться кибератакой на инфраструктуру видеонаблюдения, что может поставить под угрозу способность последней обнаруживать инцидент с физической безопасностью.
Еще одна проблема связана с внедрением интеллектуального анализа, основанного на данных (т.Е. В рамках прогнозной аналитики и искусственного интеллекта), для чего требуются большие объемы данных с инцидентами безопасности, которые вряд ли доступны. ИИ на переднем крае (например, легкие и эффективные глубокие нейронные сети) все еще находится в зачаточном состоянии, несмотря на появление инновационных стартапов с продуктами и услугами Edge AI.
Чтобы противостоять этим вызовам, разработчикам и разработчикам решений для видеонаблюдения необходимо лучше соблюдать стандарты и правила, а также применять постепенный / поэтапный подход к развертыванию. Последнее должно обеспечить плавный переход от ручных, то есть управляемых человеком-оператором, систем к полностью автоматизированному визуальному наблюдению на основе искусственного интеллекта. Также требуется постепенное внедрение интеллектуальных данных, основанных на данных, начиная с простых правил и переходя к более сложным методам машинного обучения, которые могут обнаруживать более сложные, асимметричные схемы атак. Другой передовой практикой является развертывание открытых архитектур, которые могут использовать как будущие, так и устаревшие датчики наблюдения, в качестве средства использования расширенных функциональных возможностей с наилучшим соотношением цены и качества. В целом, современные решения для видеонаблюдения могут быть очень инновационными, поскольку они могут включать передовые ИТ и сетевые технологии.
