SAN存储架构在世博场馆监控系统中的应用

简介:
  据了解统计,现在的世博场馆的监控系统前端设备采用的摄像机数量超过300路高清,视频录像文件的存储保存方式采取硬盘录像机外挂IPSAN的方式,存储时间大约要在两周以上,总存储容量需求在100TB左右。

SAN存储架构在世博场馆监控系统中的应用

这套视频监控存储设备通过IP网络向所有的视频编码设备,包括视频服务器(NVS)、网络硬盘录像机提供视频监控录像存储空间。其它服务器或监控设备可以直接从磁盘阵列中读取视频监控录像,或者通过视频编码设备读取视频监控录像。

SAN存储架构在世博场馆监控系统中的应用

方案优点:

  1. 充分利用网络优势,灵活部署存储设备,授权用户限制保护访问存储的视频数据,有利于外防内控。
  2. 数据灵活调用,对视频监控数据综合应用平台能够做到无缝支持,有利于监控系统功能的扩展。
  3. 网络存储解决方案,简单易用、价格经济,拥有完善独立的配置向导界面,简单轻松完成系统配置。对于那些数据增长迅速的监控存储环境,还有助于降低成本和复杂性。
  4. 大容量、低成本,一套存储系统可以保存300路、长达30天的录像视频。无论存储性能、容量,还是可靠性和可用性,都可以很好地满足关键区域的视频监控存储需求。
  5. 兼容各种视频编码设备,支持多数主流视频监控设备厂商的视频编码设备,包括NVS、DVR和PC-DVR。
  6. 专业可靠的存储设备,并针对视频监控存储的特点在IO、管理等多方面进行了优化。支持Raid0/1/5/6/10/50等多种Raid级别设置,支持网络冗余,支持电源、风扇等硬件冗余,支持网络故障恢复和系统映像备份等多种增强数据安全性和可靠性的技术手段,并对病毒的侵犯具有出色的防御能力。

视频监控录像数据存储技术

安防产业在国内已经取得了巨大的进步,“平安城市”、“3111工程”、“全球眼”、等重大项目的开展;视频监控在交通、食品、海关、能源、金融、国防等领域广泛应用,市场前景相当看好。而存储系统作为网络数字化视频中的一个重要组成部分,在实际的应用中却经常会出现掉盘、卷锁死等诸多问题,严重影响了整体监控系统的正常使用,所以视频数据专用存储已经成为市场上最关注的安防产品之一。目前的数字视频领域中,最常用的无非是如下四种存储方式:硬盘、DAS、NAS、SAN。这些方式有各自的短板。

硬盘

DVR、DVS后挂硬盘或是服务器后面直接连接扩展柜的方式,都是采用硬盘进行存储的方式。应该说使用硬盘进行的存储,并不能算作严格意义上的存储系统。其原因包含以下几点:

  • 首先,硬盘一般不具备RAID系统,对于硬盘上的数据没有进行冗余保护,即使有也是通过主机端的RAID卡或者软RAID实现。严重的影响整体性能;
  • 其次,扩展能力极为有限,无法实现数据集中存储。
  • 再有,硬盘后期维护成本较高,特别是在DVS后挂硬盘的方式,其维护成本往往在一年之内就超过了购置成本。应该说硬盘存储方式不适合大型数字视频监控系统的应用。特别是需要长时间录像的数字视频监控系统。一般这种方式都是与其它存储方式并存于同一系统中,作为其他存储方式的缓冲或应急替代。

Direc(DirectAttachedStorage),全称为直接连接附加存储,采用DAS的方式可以很简单的实现平台的容量扩容,同时对数据可以提供多种RAlD级别的保护。

DAS直联存储

采用DAS方式,在视频存储单元上部署相关的HBA卡。用于跟后端的存储设备建立数据通道。前端的视频存储单元可以是DVR,也可以是视频存储服务器。其通道可以采用光纤、IP网线、SAS线缆甚至于USB。采用DAS方式并不能同时支持很多视频存储服务单元同时接入,而且其扩容能力严重依赖所选择的存储设备自身的扩容能力。所以在大型数字视频监控系统中,应用DAS存储方式将造成系统维护难度的极大提升。正是由于DAS存储的这些特点,所以这种存储方式一般应用于对于DVR的扩容或者小型数字视频监控项目中。

NAS网络附加存储

NAS(NetworkAttachedStorage)。全称为网络附加存储,是一种专业的网络文件存储及文件备份设备。同时NAS对数据可以提供多种RAID级别的保护。NAS设备和多台视频存储服务单元均通过IP网络进行连接,按照TCP/IP协议进行通信,以文件的I/O(输入/输出)方式进行数据传输。一个NAS单元包括核心处理器,文件服务管理工具,一个或者多个的硬盘驱动器用于数据的存储。

采用NAS方式可以同时支持多个主机端同时进行读写,具备非常优秀的共享性能和扩展能力;同时NAS可以应用在复杂的网络环境中。部署也非常灵活。

但由于NAS采用CIF/NFS协议进行数据的文件级传输,所以网络开销非常大,特别是在写入数据时带宽的利用率一般只有20%。所以目前NAS一般应用于小型的网络数字视频监控系统中或者只是用于部分数据的共享存储。

SAN存储区域网络

SAN(StorageAreaNetwork),全称为存储区域网络,通过交换机等连接设备将磁盘阵列与相关服务器连接起来的高速专用子网。同时SAN对数据可以提供多种RAID级别的保护。SAN提供了一个专用的、高可靠性的存储网络。允许独立地增加它们的存储容量,也使得管理及集中控制更加简化。正是由于这些特点,SAN架构特别适合于大型网络数字视频监控系统的存储应用,可以应对上千、上万个前端监控点的存储。目前SAN主要分为FC-SAN(光纤存储区域网络)和IP-SAN(以太网存储区域网络)。它们之间的区别是连接线路以及使用数据传输协议的不同。虽然FC-SAN由于采用专用协议可以保证传输时更加稳定、高效,但其部署方式、构建成本均较之IP-SAN高出很多,所以目前在大型网络数字视频监控系统中更多采用的是IP-SAN架构。

世博国家场馆采取的是给予IP网络的SAN存储架构,全面兼容前端网络数字产品的直接视频录入。针对视频监控这个特殊的行业模式,在系统平台层面上进行优化,前端数字编码设备将数字化后的视频数据直接写入IP-SAN设备中。充分利用系统架构,有效减少设备数量,降低整体系统的管理难度、维护强度,以及能源消耗。

 
 
  作者:佚名
来源:51CTO
目录
相关文章
|
9月前
|
人工智能 自然语言处理 开发工具
统一多模态 Transformer 架构在跨模态表示学习中的应用与优化
本文介绍统一多模态 Transformer(UMT)在跨模态表示学习中的应用与优化,涵盖模型架构、实现细节与实验效果,探讨其在图文检索、图像生成等任务中的卓越性能。
统一多模态 Transformer 架构在跨模态表示学习中的应用与优化
|
8月前
|
监控 Java API
Spring Boot 3.2 结合 Spring Cloud 微服务架构实操指南 现代分布式应用系统构建实战教程
Spring Boot 3.2 + Spring Cloud 2023.0 微服务架构实践摘要 本文基于Spring Boot 3.2.5和Spring Cloud 2023.0.1最新稳定版本,演示现代微服务架构的构建过程。主要内容包括: 技术栈选择:采用Spring Cloud Netflix Eureka 4.1.0作为服务注册中心,Resilience4j 2.1.0替代Hystrix实现熔断机制,配合OpenFeign和Gateway等组件。 核心实操步骤: 搭建Eureka注册中心服务 构建商品
1265 3
|
10月前
|
存储 编解码 Serverless
Serverless架构下的OSS应用:函数计算FC自动处理图片/视频转码(演示水印添加+缩略图生成流水线)
本文介绍基于阿里云函数计算(FC)和对象存储(OSS)构建Serverless媒体处理流水线,解决传统方案资源利用率低、运维复杂、成本高等问题。通过事件驱动机制实现图片水印添加、多规格缩略图生成及视频转码优化,支持毫秒级弹性伸缩与精确计费,提升处理效率并降低成本,适用于高并发媒体处理场景。
1083 0
|
6月前
|
人工智能 JavaScript 前端开发
GenSX (不一样的AI应用框架)架构学习指南
GenSX 是一个基于 TypeScript 的函数式 AI 工作流框架,以“函数组合替代图编排”为核心理念。它通过纯函数组件、自动追踪与断点恢复等特性,让开发者用自然代码构建可追溯、易测试的 LLM 应用。支持多模型集成与插件化扩展,兼具灵活性与工程化优势。
525 6
|
6月前
|
存储 NoSQL 前端开发
【赵渝强老师】MongoDB的分布式存储架构
MongoDB分片通过将数据分布到多台服务器,实现海量数据的高效存储与读写。其架构包含路由、配置服务器和分片服务器,支持水平扩展,结合复制集保障高可用性,适用于大规模生产环境。
480 1
|
7月前
|
人工智能 Cloud Native 中间件
划重点|云栖大会「AI 原生应用架构论坛」看点梳理
本场论坛将系统性阐述 AI 原生应用架构的新范式、演进趋势与技术突破,并分享来自真实生产环境下的一线实践经验与思考。
|
7月前
|
机器学习/深度学习 人工智能 vr&ar
H4H:面向AR/VR应用的NPU-CIM异构系统混合卷积-Transformer架构搜索——论文阅读
H4H是一种面向AR/VR应用的混合卷积-Transformer架构,基于NPU-CIM异构系统,通过神经架构搜索实现高效模型设计。该架构结合卷积神经网络(CNN)的局部特征提取与视觉Transformer(ViT)的全局信息处理能力,提升模型性能与效率。通过两阶段增量训练策略,缓解混合模型训练中的梯度冲突问题,并利用异构计算资源优化推理延迟与能耗。实验表明,H4H在相同准确率下显著降低延迟和功耗,为AR/VR设备上的边缘AI推理提供了高效解决方案。
1315 0
|
6月前
|
机器学习/深度学习 自然语言处理 算法
48_动态架构模型:NAS在LLM中的应用
大型语言模型(LLM)在自然语言处理领域的突破性进展,很大程度上归功于其庞大的参数量和复杂的网络架构。然而,随着模型规模的不断增长,计算资源消耗、推理延迟和部署成本等问题日益凸显。如何在保持模型性能的同时,优化模型架构以提高效率,成为2025年大模型研究的核心方向之一。神经架构搜索(Neural Architecture Search, NAS)作为一种自动化的网络设计方法,正在为这一挑战提供创新性解决方案。本文将深入探讨NAS技术如何应用于LLM的架构优化,特别是在层数与维度调整方面的最新进展,并通过代码实现展示简单的NAS实验。
329 0
|
8月前
|
Web App开发 Linux 虚拟化
Omnissa Horizon 8 2506 (8.16) - 虚拟桌面基础架构 (VDI) 和应用软件
Omnissa Horizon 8 2506 (8.16) - 虚拟桌面基础架构 (VDI) 和应用软件
441 0
Omnissa Horizon 8 2506 (8.16) - 虚拟桌面基础架构 (VDI) 和应用软件
|
8月前
|
机器学习/深度学习 数据采集 存储
技术赋能下的能源智慧管理:MyEMS 开源系统的架构创新与应用深化
在全球能源转型与“双碳”战略推动下,MyEMS作为基于Python的开源能源管理系统,凭借模块化架构与AI技术,助力重点用能单位实现数字化、智能化能源管理。系统支持多源数据采集、智能分析、设备数字孪生与自适应优化控制,全面满足国家级能耗监测要求,并已在制造、数据中心、公共建筑等领域成功应用,助力节能降碳,推动绿色可持续发展。
250 0