Современные тенденции в сетевом оборудовании
Системы видеонаблюдения, они же системы замкнутого телевидения (CCTV), широко применяются в самых разных местах, включая общественные зоны, объекты инфраструктуры, коммерческие здания и многое другое. В большинстве случаев они используются с двойной целью: для мониторинга физических активов и помещений в режиме реального времени и для анализа собранной видеоинформации с целью выявления индикаторов безопасности и планирования мер по обеспечению безопасности.
Несмотря на то что системы видеонаблюдения уже несколько десятилетий являются неотъемлемой частью государственного сектора и сектора безопасности, значительный интерес к ним проявляется и за пределами этих отраслей. Этот интерес во многом объясняется ростом уровня преступности и угроз безопасности по всему миру, что способствует постоянному росту рынка систем видеонаблюдения. Согласно недавнему отчету Mordor Intelligence, рынок видеонаблюдения оценивался в 29,98 млрд долларов в 2016 году и, как ожидается, достигнет стоимости в 72,19 млрд долларов к 2022 году. Такому потенциалу рынка также способствуют последние достижения в области ИТ-технологий, повышающие интеллектуальность, масштабируемость и точность решений для видеонаблюдения. Что определяет основные технологические тенденции в области видеонаблюдения? Как лучше всего их использовать?
Эволюция систем видеонаблюдения определяется следующими технологическими тенденциями:
Интеллектуальный и контекстно-ориентированный сбор видеоданных
Последние достижения в области обработки сигналов позволяют создавать интеллектуальные системы видеонаблюдения, в частности системы, способные гибко регулировать скорость сбора видеоданных. В частности, при обнаружении признаков инцидента безопасности скорость сбора данных увеличивается, чтобы предоставить более богатую 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 4Vs Больших Данных: Объем, Скорость, Разнообразие и Правдивость. В частности, собирать огромные объемы данных с нескольких камер, в том числе потоковые данные с высокой скоростью поступления, теперь гораздо проще, чем раньше. Системы Big Data позволяют создавать и внедрять архитектуры видеонаблюдения, которые масштабируются плавно и экономически эффективно.
Системы потоковой передачи данных
За последние несколько лет появилось множество систем потоковой передачи данных. Последние предоставляют функциональные возможности для управления потоками и потоковой аналитики, являясь при этом важной частью рассмотренных ранее систем Big Data.
Предиктивная аналитика и искусственный интеллект (ИИ)
2016 и 2017 годы стали важными для истории искусственного интеллекта благодаря появлению революционных подходов к глубокому обучению, подобных тем, что используются в движке Alpha AI от Google. Эволюция глубоких нейронных сетей может быть напрямую использована в системах видеонаблюдения, чтобы наделить их исключительным интеллектом и обеспечить более эффективные процессы наблюдения. Например, искусственный интеллект может обеспечить предиктивную аналитику, которая позволит операторам безопасности предвидеть инциденты и заблаговременно подготовиться к ним.
Беспилотники и Интернет вещей (IoT)
Объединение IoT-устройств и «умных» объектов с системами видеонаблюдения также станет ключом к обеспечению следующего поколения функций безопасности и наблюдения. В этом направлении сегодня используются беспилотные летательные аппараты (БПЛА) (т. е. дроны), которые обеспечивают универсальность и функциональность видеонаблюдения, недоступные при использовании 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 этой конвергенции, поскольку они представляют собой ИТ-инфраструктуру, которая может использоваться для мониторинга физических объектов. Таким образом, они могут быть гибко интегрированы с другими системами кибербезопасности для обеспечения целостного и комплексного подхода к безопасности и наблюдению.
Архитектура систем видеонаблюдения
Перечисленные выше технологии открывают новые горизонты в разработке, развертывании и эксплуатации интеллектуальных систем видеонаблюдения. Но именно разработчики и внедренцы систем видеонаблюдения должны интегрировать и полностью использовать функциональные возможности этих технологий. Для этого важно разработать и внедрить правильную архитектуру инфраструктуры видеонаблюдения. Современные архитектуры систем видеонаблюдения придерживаются парадигмы edge/fog computing, позволяющей обрабатывать видеоинформацию ближе к объекту. Это позволяет экономить полосу пропускания и осуществлять мониторинг безопасности в режиме реального времени. Камеры устанавливаются на границе сети в составе пограничных узлов, которые способны захватывать и обрабатывать видеокадры. Пограничные узлы также способны осуществлять интеллектуальный сбор данных, настраивая частоту кадров в зависимости от выявленного контекста безопасности. Кроме того, они подключаются к облачной инфраструктуре, где информация с нескольких камер соединяется, просматривается и анализируется в более крупных временных масштабах.
Архитектуры граничных/туманных вычислений также являются идеальным вариантом для поддержки сочетания видеонаблюдения с представленными технологиями. IoT-беспилотники должны быть интегрированы с соответствующими пограничными узлами как часть архитектуры мобильных пограничных вычислений. Потоковая аналитика в реальном времени должна выполняться на границе, а не в облаке системы видеонаблюдения. Функции глубокого обучения могут быть развернуты как на граничном, так и на облачном уровне. Глубокие нейронные сети на границе могут поддерживать извлечение сложных моделей безопасности в режиме реального времени. В то же время извлечение шаблонов безопасности и знаний о больших территориях, которые покрываются множеством узлов на границе (например, при развертывании системы в масштабах города), возможно только благодаря развертыванию глубокого обучения в облаке. В общем случае довольно сложно решить, где следует разместить тот или иной функционал - в облаке или на границе. Соответствующие решения обычно связаны с разрешением компромиссов (например, скорость обработки против точности обработки для некоторой функции видеонаблюдения).
Системы видеонаблюдения могут выиграть от использования открытых архитектур от разных производителей оборудования. Это связано с тем, что решение для видеонаблюдения может включать в себя различные устройства и способы видеозахвата (например, камеры высокой четкости, проводные и беспроводные камеры, камеры в беспилотниках/беспилотных летательных аппаратах и т. д.). Открытая архитектура может обеспечить гибкость, простоту развертывания и технологическую долговечность. В последнее время предпринимаются усилия по внедрению открытой, основанной на стандартах архитектуры для граничных/туманных вычислений, чтобы представить видеонаблюдение в качестве одного из основных направлений использования туманных вычислений.
Проблемы и лучшие практики развертывания
Помимо определения надлежащей архитектуры пограничных вычислений, разработчикам систем видеонаблюдения приходится решать и другие задачи. Одна из них связана с обеспечением конфиденциальности и соблюдением правил защиты данных. Действительно, развертывание датчиков наблюдения регулируется законами и директивами о конфиденциальности и защите данных, которые иногда накладывают ограничения на характер и масштаб развертывания. Аналогичным образом, использование беспилотников также должно соответствовать соответствующим нормам.
Еще одна проблема связана с уровнем автоматизации решения. Хотя автоматизация в целом желательна для охвата и мониторинга больших территорий без привлечения дополнительных человеческих ресурсов, человеческий контроль и вмешательство по-прежнему являются ключевыми для надежности всего решения. Кроме того, еще одна проблема связана с новыми угрозами, которые могут возникнуть в результате киберфизической природы систем видеонаблюдения. Физическое нападение может сопровождаться кибератакой на инфраструктуру видеонаблюдения, чтобы подорвать способность последней обнаружить инцидент, связанный с физической безопасностью.
Еще одна проблема связана с внедрением интеллектуального анализа на основе данных (т. е. в рамках предиктивной аналитики и ИИ), для которого требуются большие объемы данных об инцидентах безопасности, которых практически нет. ИИ на границе (например, легкие и эффективные глубокие нейронные сети) все еще находится в зачаточном состоянии, несмотря на появление инновационных стартапов с продуктами и услугами ИИ на границе.
Чтобы противостоять этим вызовам, разработчикам и внедренцам решений для видеонаблюдения необходимо лучше соблюдать стандарты и нормы, а также применять подход постепенного/поэтапного развертывания. Последнее должно обеспечить плавный переход от ручных систем, т. е. систем с участием человека-оператора, к полностью автоматизированным системам видеонаблюдения на основе ИИ. Также необходимо постепенное развертывание интеллектуальных систем, основанных на данных, начиная с простых правил и переходя к более сложным методам машинного обучения, позволяющим выявлять более сложные, асимметричные схемы атак. Еще одна передовая практика - развертывание открытых архитектур, в которые могут быть встроены как будущие, так и устаревшие датчики видеонаблюдения, что позволяет использовать передовые функциональные возможности при оптимальном соотношении цены и качества. В целом, современные решения для видеонаблюдения могут быть очень инновационными, поскольку в них используются передовые ИТ- и сетевые технологии.
Как лучше всего модернизировать или развернуть собственную инфраструктуру видеонаблюдения? Начните с подробного описания ваших требований к безопасности и бизнесу, найдите надежного технологического партнера, который интегрирует и развернет систему от вашего имени, и перед вами откроются широкие возможности.
