火车站、地铁站、客运站、公交站,作为城市公共交通的枢纽,属于人员密集、管理难度大的地方,部署再多的警力,往往都是收效甚微;一旦发生暴力事件,只能凭借公安干警的应急调度完成治安管理工作,但及时性又无法保证。
作为旅游城市,昆明发展迅速,城市公共交通更是大力建设,昆明已规划至2019年,开通6条地铁线路;其中地铁3号线于2010年启动建设,于2017年8月30日正式开通,开通三天日均客流即达到10万人/天,为了应对如此大的客流量,昆明地铁3号线采用了“全覆盖”视频监控,结合合理的警力部署,大大提升了3号线管理效率。
昆明3号线采用了华为轨道交通云监控解决方案,从IPC到交换机,再到平台、存储,华为为昆明3号线提供了端到端的轨道交通监控解决方案;而且考虑到地铁应用环境的特殊性,华为轨道交通云监控解决方案在系统稳定性方面,提出了“三重云化”的概念,极大的提升了整个视频监控系统的稳定性及安全性。
昆明地铁3号线CCTV云监控方案设计
昆明地铁3号线闭路电视监控系统的设计主要由车站、车辆段/停车场、线网控制中心、放马桥临时控制中心组成。系统整体架构采用分布式云监控进行分层设计,即控制中心(包含临时控制中心)——车站/停车场/车辆段两层部署结构。车站/停车场/车辆段为下级域,可以独立运行,自主管理本地视频监控资源;控制中心/备用控制中心为上级域,可以随意任意浏览、调阅、控制车站/停车场/车辆段等下级域的视频监控资源。通过分布式云化部署,在车站/停车场/车辆段的摄像机只需要接入到本站的云监控资源池,媒体流由云监控资源池实现转发及存储实现可云化弹性部署。其整体结构图如下:
华为地铁分布式云监控解决方案
华为轨道交通云监控解决方案基于IP网络和视频监控业务特性,推出VCN3000系列视频云节点设备。该设备作为云监控的基本单元,通过云计算、云存储技术应用,将网络中多台节点设备高度紧密组合构成单一、专门用于海量视频监控数据存储的视频云系统,通过云化调度算法实现视频云的三重云化特性,打造业界最高的安全可靠性(99.999%),真正实现监控业务端到端云化管理,为轨道交通行业提供高可靠、高可用性、高伸缩、易扩展的端到端视频云解决方案。
云一:设备之间云化
多个视频云节点之间实现动态负载均衡,任何一台设备出故障,其承载业务将自动并发迁移至其它所有服务正常的视频云节点,保证视频监控全业务不间断(与传统监控平台的N+1集群和N+M备份机制相比核心优势为:无需增加备机,业务迁移为并发机制,效率为N+1集群机制的N倍,云化调度实现了视频业务、计算资源和存储资源的资源池化统一调度,所有业务指令的处理效率都大大提升)。
云二:硬盘RAID组之间云化
单个视频云节点内部多个RAID组之间可以实现动态负载均衡,任何一个RAID组出现故障,其承载业务将自动迁移至其它健康的RAID组,保证视频全业务不间断(传统监控平台无法实现视频业务在RAID组间动态迁移)。
云三:RAID组内多块硬盘的云化
通过Safevideo专利实现底层数据管理,每个RAID组内硬盘之间可以实现云化,同时损坏多块硬盘导致RAID组失效后,视频录像仍然可读,最大程度的满足录像数据安全(传统RAID技术,RAID5可以实现1块硬盘损坏后,数据可读,多块硬盘损坏后整个RAID组的硬盘数据全部丢失)。
随着地铁视频监控迈向高清化时代,存储架构也向更加容易维护的分布式云监控模式转变;云监控不仅支持在线扩容,而且基于良好的平台开放性,能够保障系统互联互通,共享视频与图像数据。截止目前,华为轨道交通云监控解决方案服务于全国18条地铁线路,为多个城市公共交通安全保驾护航,实现24小时无死角全方位监控。
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。