大数据时代 安防行业如何保证数据存储安全?

本文涉及的产品
数据安全中心,免费版
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介:

作为大数据时代海量数据的来源之一,安防视频监控产生了巨大的信息数据。特别是近几年随着平安城市、智能交通、智能楼宇等行业的快速发展,大集成、大联网推动安防行业进入大数据时代。

安防行业大数据的存在已经被越来越多的人熟知,特别是安防行业海量的非结构化视频数据,以及飞速增长的特征数据(卡口过车数据、人像抓拍数据、异常行为数据等),安防行业的数据存储、数据安全等一系列问题,吸引着人们对安防行业的关注。

1

  大数据引发安防行业的数据存储、数据安全问题

对于安防行业,监控技术如今正面临日新月异的变革,模拟视频监控正在向IP网络监控转变,巨大转变的同时对数据存储、数据安全性提出了更高的要求。我们探讨数据安全,包括产品本身的物理安全和产生数据的安全。所以,大数据时代引发安防行业数据存储、数据安全的问题有以下几点:

第一、基础设备的风险:包括监控中心的存储设备、服务器和前端节点设备的安全性、网络设备的安全性、传输线缆的安全性等。设备的安全可靠是整个大数据安防系统安全运行的基础。

第二、信息存取的风险:包括用户非法访问、数据丢失、数据被篡改等。系统信息的安全,主要运用各种加密技术、存储技术、及备份方案来达到系统信息的安全。

第三、信息在网络上传输的风险:包括视频信息、录像数据信息、用户信息等在传输过程中保密性、完整性的保障以及传输链路上的节点设备的安全。另外还包括前端采集设备、社会监控资源接入公安监控专网的安全。

第四、系统运行的风险:包括接入设备的识别和认证、设备运行故障、软件病毒、恶意代码、以及设备控制的优先级调度等。系统运行时的风险控制主要依靠视频监控软件平台来保障,该软件平台可以完成设备管理、故障监控、访问控制、用户管理、鉴权机制等一系列的功能来保障整个系统的安全运行。

大数据催生安防行业存储方式的变革

由于国内视频监控市场每年都在以超过20%的速度增长,随着平安城市等大型联网监控项目的普遍建设,高清IP监控产品得到广泛应用,系统点位容量和行业需求不断激增,越来越多的用户认识到安防监控平台软件是整个系统综合实力的重要表现。

在功能上:绝大多数平台软件都具备视频预览、录像回放、设备管理、地图显示等功能。

在标准上:主流平台软件均支持业界成熟标准,除了通过私有协议兼容多种主流品牌的设备接入外,ONVIF和GB/T28181已经成为平台兼容前端以及不同品牌平台互联的主要依据。

在规模上:虽然大多宣称支持上万路摄像头的大型组网,但由于各家软件内部底层设计和存储转发转码等技术水平差异,还需要实际应用案例和运营状况的事实支撑。

毋庸置疑,监控管理平台软件已经树立了在系统中的核心价值,并得到从用户、工程商到厂商的广泛认可,特别是以IP监控和行业解决方案为市场战略的今天,很多硬件生产厂商纷纷开始重视平台软件产品的配套,或合作或自研,以提高前后端产品的一致性和完整性。

治安监控平台软件面临尴尬境遇

从监控技术的发展历史来看,治安监控大致经历三代系统的发展历程:第一代是模拟闭路电视监控(CCTV)系统,第二代是数字化监控系统,第三代是网络视频监控系统。今天我们谈乱的网络视频监控系统。

谈及系统管理,首先不得不先谈谈视频监控系统产品的市场现状分析及预测。目前,视频监控产品所占安防市场比例大约在40~50%之间。传统国外监控企业产品在市场中的份额不断缩减,民族品牌的数字化监控产品逐步占据市场。而仅仅几年的光景,网络型的监控产品发展过速,网络存储设备已在悄然改变着DVR的市场应用状况。

责任编辑:钟娟娟

上一页12下一页

随着城市报警监控网络建设和平安城市建设的深入,平台软件技术加速发展,IT行业中的实力企业大举进入安防行业。安防系统智能化、集成化的应用、大安防理念的推进,导致安防服务的内容和形式都发生了变化,围绕终端用户的个性化解决方案的服务理念也被更多企业认知和实践,安防行业是服务行业的定位和服务功能的作用越来越清晰。这一切都强烈冲击着传统安防应用格局和方式,IT行业的实力企业涌入安防,也快速带动了安防行业的革新的变化,从而导致市场形态的巨大变化。

而在全数字化的浪潮下,治安监控管理平台软件除了最基本的音视频操作功能以外,面临的主要问题是要对大型网络环境下分散场所的监控设备统一管理,对统一系统不同类型的视频采集设备、报警设备和门禁设备进行统一管理,对不同部门不同权限用户不同业务需求进行统一管理,构建面向应用服务的综合管理平台软件。

重要性不言而喻,但在国内安防行业中却面临着认知度不足、市场规模不大、价值无法充分体现等问题。近年来,平台软件虽然也有较大发展,但跟整个行业市场相比,还存在一定差距,主要体现在:

一、缺乏持续健康的生存环境。重硬件轻软件,很多厂商和工程商都把软件作为硬件销售的配套附属产品,基本定位于能用就行。在产品规划和技术突破上认识不足,缺乏长期投入;对用户需求响应不及时,缺乏内在动力。

二、平台软件为项目而主,难以产业化。很多专业软件公司都依赖大型项目,以满足用户需求为核心,通过投入大量研发资源不断迭代开发,打造为该项目量身定做的软件系统,形成技术壁垒和封闭垄断,同类产品难以互通和替换。

三、对行业化有心无力,经验不足。由于大多数安防厂商从硬件产品起步,软件基因匮乏,从顶层设计到模块化开发,缺乏统筹规划和项目管理,所以只能负责视频接入转发存储部分的软件开发,由第三方软件开发公司负责业务功能。

四、长期目标不明确,软件质量不高。平台软件的产品质量依赖以下因素:高效可靠的开发流程保障、对行业业务的深刻理解、从用户角度设计产品应用的易用性和可用性。目前安防软件企业水平参差不齐,虽然有一些针对硬件和软件整体集成实施交付的企业,但应用范围及规模化程度都不大,高水平的专业平台提供商数量不多。

基于以上原因,目前市场上的综合管理平台软件,要么功能貌似很多但不实用,要么架构复杂,成本居高不下,要么运行所需环境简单,无法提供健壮的扩展性,要么操作复杂难以上手,凡此种种,不一而足。

视频监控管理平台的市场发展趋势

从宏观上看,安防平台软件未来的两大发展方向,一是针对安保监控内部的横向集成,将视频监控、报警处理、门禁控制、地理信息等系统资源统一管理;二是安保系统与用户其他其他业务系统的纵向集成,扩大监控在安全生产、社会治安等各个层面的应用,提高安全管理业务的水平。

具体看,摄像头数量多、监控区域范围大、系统架构复杂、业务面宽等正成为软件平台面临的主要问题,带来如下趋势:

趋势一、联网共享。不仅是单一系统内的摄像机头数量激增,而且多个系统之间的图像信息也需要互通复用。

趋势二:兼容开放。平台软件与监控设备特别是摄像头的兼容性是长期存在的矛盾,由于没有统一标准,现有的产品专用或是软硬件被绑定,不能实现兼容。

趋势四:智能应用。随着高清视频技术的成熟和网络链路建设的加速,视频监控已经从看得发展到看得清,下一步就是看得懂。

趋势五:人性化交互。视频监控软件面对的是许多不熟悉软件甚至不太懂计算机的安保人员,对专业术语、界面结构及菜单布置的熟悉掌握有一定难度,设计不合理的软件操作不符合用户习惯,影响使用情绪,难以得到用户认同。

趋势六:安防行业化渐渐的发展,使安防系统的使用也朝着业务部门多元化、需求多样化、管理机构的多层次,必须选用支持多业务应用、灵活的系统架构、易于管理维护的管理平台软件来运行和操作,不同的行业其应用软件也有较大的区别。安防软件逐渐的大多数业内人士认可,未来发展走向融合、开放。

本文转自d1net(转载)

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
8月前
|
人工智能 安全 算法
AI与大数据:智慧城市安全的护航者与变革引擎
AI与大数据:智慧城市安全的护航者与变革引擎
228 1
|
4月前
|
存储 大数据 测试技术
用于大数据分析的数据存储格式:Parquet、Avro 和 ORC 的性能和成本影响
在大数据环境中,数据存储格式直接影响查询性能和成本。本文探讨了 Parquet、Avro 和 ORC 三种格式在 Google Cloud Platform (GCP) 上的表现。Parquet 和 ORC 作为列式存储格式,在压缩和读取效率方面表现优异,尤其适合分析工作负载;Avro 则适用于需要快速写入和架构演化的场景。通过对不同查询类型(如 SELECT、过滤、聚合和联接)的基准测试,本文提供了在各种使用案例中选择最优存储格式的建议。研究结果显示,Parquet 和 ORC 在读取密集型任务中更高效,而 Avro 更适合写入密集型任务。正确选择存储格式有助于显著降低成本并提升查询性能。
608 1
用于大数据分析的数据存储格式:Parquet、Avro 和 ORC 的性能和成本影响
|
2月前
|
存储 NoSQL 大数据
大数据 数据存储优化
【10月更文挑战第25天】
98 2
|
2月前
|
存储 安全 大数据
大数据隐私保护:用户数据的安全之道
【10月更文挑战第31天】在大数据时代,数据的价值日益凸显,但用户隐私保护问题也愈发严峻。本文探讨了大数据隐私保护的重要性、面临的挑战及有效解决方案,旨在为企业和社会提供用户数据安全的指导。通过加强透明度、采用加密技术、实施数据最小化原则、加强访问控制、采用隐私保护技术和提升用户意识,共同推动大数据隐私保护的发展。
|
3月前
|
存储 NoSQL 大数据
大数据中数据存储 (Data Storage)
【10月更文挑战第17天】
231 2
|
2月前
|
存储 安全 大数据
|
3月前
|
存储 分布式计算 druid
大数据-155 Apache Druid 架构与原理详解 数据存储 索引服务 压缩机制
大数据-155 Apache Druid 架构与原理详解 数据存储 索引服务 压缩机制
78 3
|
5月前
|
存储 监控 安全
大数据架构设计原则:构建高效、可扩展与安全的数据生态系统
【8月更文挑战第23天】大数据架构设计是一个复杂而系统的工程,需要综合考虑业务需求、技术选型、安全合规等多个方面。遵循上述设计原则,可以帮助企业构建出既高效又安全的大数据生态系统,为业务创新和决策支持提供强有力的支撑。随着技术的不断发展和业务需求的不断变化,持续优化和调整大数据架构也将成为一项持续的工作。
|
5月前
|
安全 关系型数据库 MySQL
揭秘MySQL海量数据迁移终极秘籍:从逻辑备份到物理复制,解锁大数据迁移的高效与安全之道
【8月更文挑战第2天】MySQL数据量很大的数据库迁移最优方案
845 17
|
6月前
|
分布式计算 安全 大数据
HAS插件式Kerberos认证框架:构建安全可靠的大数据生态系统
在教育和科研领域,研究人员需要共享大量数据以促进合作。HAS框架可以提供一个安全的数据共享平台,确保数据的安全性和合规性。