信息技術不斷進步，閃存、磁盤、數據中心、DNA等各種新的存儲技術不斷出現。可即便如此，仍難以滿足日漸龐大的數據體量的存儲需求，加之IoT(物聯網)行業的發展，致使數據的體量更為驚人。

不可否認，這些數據中許多都蘊含著價值，但也不能忽視數據的驚人體量。難道到2020年，我們要將44ZB的數據全部記錄并存儲下來嗎?因此，我們需要用云計算技術對數據進行智能分析。今天就來探討在監控系統中的云計算核心技術。

大規模混合計算技術

監控系統產生的大量視頻圖像數據如果只靠人工來進行處理，效率會非常低，借助于視頻智能化處理算法，已經可以從視頻圖像數據中獲取一些簡單的特征進行比對，或者進行模式匹配產生報警事件，提高了處理的效率。這種方式能夠處理的數據量，數據組合的程度，數據的類型等等都還處于較低的水平，無法應對海量數據和日益增長的需求。大規模計算技術的目的就是為了提供一種統一的數據處理平臺，上面可以集成各種智能化算法和計算模型，綜合處理海量監控數據，以更快的速度得到更有價值的數據。

統一資源管理技術

監控系統產生的主要數據就是視頻和圖像數據，原始數據經過處理后，會產生更豐富的數據，處理的方式也會有很大不同。比如對于歷史視頻數據可以在后臺處理的視頻數據檢索，對于卡口的車牌和人臉特征數據需要實時布控，對歷史卡口信息需要做到實時檢索。這些數據都需要不同的計算框架進行處理，通過引入統一的資源管理平臺，可以在同一個資源池里運行不同的計算框架，大幅提高資源的利用率，同時在資源被某種業務獨占時，又能最大限度的發揮系統的性能。

實時檢索技術

傳統的結構化數據都采用關系型數據庫進行保存，通過RAC等技術形成數據庫集群，通過索引方式進行加速，但是核心還是基于行存儲和關系運算，面對海量記錄時在各個方面都已經遇到了瓶頸。實時檢索技術通過引入分布式數據庫，列式存儲，內存計算，索引引擎等技術，能應對100億級別的結構化數據，在存儲容量，可擴展性，檢索速度等多個方面都可以得到大幅提升。該系統在智能交通、刑事偵查等視頻監控領域具備重要的研究價值和廣闊的應用前景。

復雜事件處理技術

隨著安防監控行業的發展，免備案主機，業務變的也來越復雜，比如智能交通領域，出現了車輛積分研判、套牌車分析、同行車分析等需求。這些需求存在產生結果所依賴的條件多、處理過程實時性的要求高、需要處理的數據量巨大等特點。傳統的方式是采用關系數據庫，通過復雜的SQL語句組合，不斷查詢比對的方式，很難滿足實時性的要求。復雜事件處理通過引入流式計算等技術，動態地對輸入數據進行實時的分析，處理速度可以大幅提供。不符合條件的數據都被丟棄掉，系統中只存在處理的結果或者可能有用的中間數據，這樣對存儲的要求也變小了，完全在內存中進行全過程的分析，實時性得到了保證。

人臉檢索技術

人臉檢索的技術在單臺服務器上的應用已經比較成熟，可以應用在身份鑒別、在逃人員抓捕、可疑人員排查、身份證查重等領域。人臉檢測過程可以分為以下幾個階段：視頻或圖像解碼、人臉檢測、特征提取、特征比對，前三個步驟都是每次請求對應一次計算，計算量相對可控，而最后一個步驟特征比每次請求則需要和達億級的人臉特征進行比對，是運算量最大的一個階段。

一些實時應用的請求數每秒鐘可達請求數達到數百次，每次人臉比對次數可達百萬級別時，則整個系統需要支持每秒億級的人臉特征比對計算。如此大規模的計算，單機上是無法完成的，必須采用集群完成。特征庫本身規模不大，但是比對次數很大，屬于典型的計算密集型集群，特征庫可以全部倒入到內存，在內存中完成計算。

海量視頻檢索技術

圖像傳感器采集到的視頻數據保存到后端存儲后，用戶可以隨時選擇目標區域的多個攝像頭，提交給視頻檢索集群，檢索集群按照目標物體的特征快速檢索的所有對應攝像頭產生視頻數據，找到目標物體特征所出現的視頻，并定位到準確的時間點。其中主要使用了智能化技術實現視頻數據到物體特征結構化數據的轉換，支持車輛顏色，車牌，衣著顏色，人臉等特征。基于統一的計算資源池，實現智能化算法的并行運算，線性提高檢索效率。

結構化之后的數據可以保存到數據庫，下次檢索可以直接通過結構化數據進行二次檢索，大幅提高檢索效率。

分布式對象存儲技術