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
Indeed通过云原生和数据驱动的数字化转型,为AI时代做好了准备。公司CIO Anthony Moisant表示,他们不仅在采用AI,更在构建一个智能代理公司,将人类智慧与机器智能相结合。公司已完成从本地服务器向AWS的迁移,建立了统一的数据湖架构,并基于Apache Iceberg构建数据湖仓。目前已有4个Salesforce代理投入生产,6个内部智能产品上线,另有20多个代理正在开发中。
微软研究院团队开发的BitNet v2技术实现了AI大语言模型的重大突破,通过创新的H-BitLinear模块和哈达玛变换技术,成功将模型激活精度从8位降低到4位,同时保持了几乎相同的性能表现。这项技术显著提高了模型的计算效率和硬件利用率,为AI模型在边缘设备和批量推理场景中的部署开辟了新道路,有望推动AI技术的更广泛普及应用。
AI第四代生成式AI标志着技术范式转变,正在用户体验、应用自动化和平台三个层面为企业带来重大价值和颠覆。企业应关注商业价值而非技术本身,需要从业务问题出发量化价值。未来五年将在认知任务处理上取得巨大进展,但需要创新思维应对劳动力转型。六大颠覆性支柱包括下一代AI能力、数据平台、机器人技术、量子计算、企业用户体验和云架构等。
伊利诺伊大学香槟分校研究团队提出ToolRL方法,通过精细的奖励机制训练大语言模型正确使用工具。该方法突破传统监督微调局限,采用格式奖励和正确性奖励相结合的评估体系,在多个基准测试中相比基础模型提升17%,相比传统方法提升15%,显著改善了模型的工具使用能力和泛化性能。