Hikvision AI Bulut: Bulut Border Fusion AI Güvenlik Zirvesi 2018
31 Mart'ta Leifeng.com tarafından düzenlenen "2018 Çin Yapay İstihbarat Güvenliği Zirvesi" Shenzhen'de başarıyla sonuçlandı.
Çin Yapay İstihbarat Güvenliği Zirvesi'nde Dr. Hai Kangwei Zhujiang, "AI Cloud: Cloud Border Fusion" temasıyla AI bulut mimarisini her şekilde paylaştı.
20 yılı aşkın araştırma ve geliştirme deneyimi olan Dr. Zhu Jiang, Hikvision'un akıllı algoritma ekibinin uluslararası yarışmalarda ilk başarıyı elde etmesine yol açtı ve Hikvision'un AI bulut mimarisinin kurulmasına katıldı.
Dr. Zhu Jiang, konferansta AI bulut mimarisinin üç bölümden oluştuğunu söyledi: Bulut Merkezi, Kenar Etki Alanı ve Kenar Düğümleri Kenar Bilgi İşlem+Bulut Bilgi İşlemini Merkezden Merkezden Merkezden Daha Verimli hale getirerek daha verimli hale getirdi. ve daha esnek veriler.
Dr. Zhu Jiang'ın canlı konuşmasının içeriği olan Lei Feng.com, orijinal niyeti değiştirmeden editörleri ve bitirmeyi yaptı:
Leifeng.com'a, AI Cloud'un AI bulutunun akıllı IoT mimarisindeki düşünme ve başarıları hakkında düşünmek için burada sektörün tüm meslektaşlarıyla iletişim kurma fırsatı sunduğu için teşekkürler.
Geçen yıl Ekim ayında Hikvision, birçok marjinal cihaz ve bulut sistemi arasında makul bir teknik mimari oluşturmak amacıyla Shenzhen'deki bir konferansta AI bulut mimarisini önerdi. Peki yandan buluta ne yapmalıyız? Burada dört soru soruyorum:
Kenar ekipman kaynakları nasıl tam ve esnek bir şekilde kullanılır?
Birbiriyle iletişim kurabilecek ve uyumlu olabilecek Nesnelerin İnterneti veri modelini nasıl oluşturur?
Farklı zaman ve farklı geliştirme ekipleri tarafından geliştirilen endüstri uygulamaları arasındaki işbirliği nasıl elde edilir?
Videolar da dahil olmak üzere giderek daha büyük Nesnelerin İnterneti ekipmanı için birleşik bir operasyon ve bakım hizmet sistemi nasıl kurulur?
Bu sorunlar bulut sisteminde çözülmemelidir.
Daha önce, Hikvision AI Cloud'u önerdi. Kenar cihazlarını bulut merkezindeki marjinal düğümler ve bulutlar olarak adlandırdık.
İki tür düğüm arasında, kenarların yakınındaki düğümlerin tarafının eklenmesi gerektiğine inanıyoruz. Bu oturumda, yandan buluta yeni önerilen bir dizi problemi çözmek. Bu bağlantıda bize Edge Alanı olarak adlandırılır.
Kenar düğümü: Çok boyutlu algı verileri ve ön uç akıllı işleme toplanmasına odaklanın;
Kenar alanı: Duyusal verilerin toplanması, depolanması, işlenmesi ve akıllı uygulamasına odaklanmak;
Bulut Merkezi: Nesnelerin İnterneti verileri de dahil olmak üzere çok boyutlu verileri entegre etmek ve büyük veri analizi uygulamaları yapmak gerekir.
Yukarıdaki şekilde, verilerin kenar düğümünden kenar etki alanına ve kenar alanından bulut merkezine aktığını görebiliriz. İşlem verileri gerçekleştirir.
Kenar alanı perspektifinden bakıldığında, biçim veya içerik olsun, akan ve akan veriler çok farklıdır.
Sonra kenar alanı bir orta saha oyuncusu haline gelir. Verilerin ne zaman kullanıldığını, hangi formun kullanıldığını ve hangi işlemenin üzerinden geçmesi ve ardından buluta göndermelidir. Bu yüzden alanın orta saha olduğunu söylüyoruz.
Buradan, Hikvision AI bulutunun bulut sınır füzyonunun basit bir bulut+kenarı olmadığını, ne de sadece bir dizi "küçük bulutlara" bölünmediğini ve daha sonra daha büyük bir ölçekte toplandığını görebilirsiniz. Bulutun getirdiği uygulamalar, veri işleme ve yönetim gibi bir dizi sorunun mimarisi.
Aynı zamanda, kenar alanında daha fazla problem çözmeyi umuyoruz. AI bulut mimarisi altında, kenar düğümleri, kenar alanları ve bulut merkezleri birbirleriyle birden fazla kategori ve birden fazla kategori ile birbirine bağlanabilir ve birbirinden türetilebilir.
Bu mimarinin özellikleri dört cümle olarak özetlenebilir: kenar algısı, talebin yakınsaması, çok katmanlı biliş ve sınıflandırma.
Genel olarak, bahsettiğimiz AI bulutu bulut bilişim değil, altyapı, veri kaynakları, platform hizmetleri ve uygulama yazılımının toplamıdır.
Aşağıda AI bulutunun bazı belirli içeriğini, yani sizinle gerçekleştirmek istediğimiz bazı yetenekleri paylaşacağım.
İlk olarak, AI kaynaklarının planlanması elde edilmelidir. Yapay zekayı elektrik enerjisi gibi yapın ve bilgi sistemleri için bir zamanlama kaynağı haline gelin. Hesaplama gücü, algoritmalar, veriler, sistemler veya yapay zekanın gerektirdiği hizmetlerden bağımsız olarak, uygulama ihtiyaçlarının çekilmesi altında makul zamanlama yapılmalıdır.
Bu amaçla, Edge Etki Alanı ve Bulut Merkezi'nde bir Yönetim Dağıtım Platformu geliştirdik. Yönetim Dağıtım Platformunu Örnek olarak alarak, yönetim gönderim platformunun arka planında iki havuz ve bir kütüphane oluşturduk, yani depolama kaynak havuzu ve veri kaynak havuzunun hesaplanması ve ilk kütüphane bir Algoritma Deposu.
İki havuz ve bir kütüphane temelinde, kenar alanına bağlı tüm marjinal düğümlerin yönetimini ve videolar, erişim kontrolü, alarmı ve diğer şeylerin İnterneti gibi çeşitli Nesnelerin İnterneti kaynaklarının tekdüze yönetimini sunuyoruz. ve Birleşik Yönetim Kenar alanının kendisini hesaplama kaynaklarını, depolama kaynaklarını, yazılım kaynaklarını, algoritma kaynaklarını. Algoritma depoları açısından, algoritma depoumuza erişmek için birden fazla üreticinin algoritmasını gerçekleştirebilen algoritma erişiminin arayüzünü standartlaştırmak için birleşik bir algoritma modeli oluşturduk. Üst düzey görevler birleştirildi ve planlandı. Etkiyi elde etmek için, arka planın altında, GPU kaynaklarının havuz yönetimini fark ettik ve üzerindeki algoritmanın esnek zamanlamasını destekleyebiliriz. Buna ek olarak, kenar alanındaki algoritma deponuzumuzun, uygulamanın ihtiyaçlarına göre bize bağlı ön kenar düğümlerinin algoritması için dinamik olarak planlanabileceği çok önemli bir nokta vardır.
İkinci açıdan, talep hakkındaki verileri karşılamalıyız.
Veri, su kaynakları ve kontrollü yerler gibi akışa izin verin. Herkes suyun insan hayatta kalması için önemli olduğunu bilir. Eğer ele alınmazsa, bir sel canavarı da olabilir. Aynı şey veriler için de geçerlidir. Büyük miktarda orijinal veri kenar düğümlerini oluşturur. Yapay zekanın işleme işlemi büyük miktarda akıllı veri üretir. Sadece bu verileri uygulamanın ihtiyaçlarına ve kontrol edilenlere göre aktararak İletim ve depolamada kaynakların kötüye kullanılmasını önlemek için yere yer. Aynı zamanda, verilerin verimli ve tam olarak değerine elverişlidir.
Bu amaçla, Nesnelerin İnterneti Veri Kaynak Platformu ve Edge Etki Alanı ve Bulut Merkezlerinde Büyük Veri Kaynak Platformunu geliştirdik. Kenar etki alanında, veri için on -dememand elde etmek önemlidir. O zaman soru, eğer "ihtiyaçları" tanımlayamazsak, talep üzerine birleşemeyiz. Peki nereden gelmem gerekiyor? Kullanmanız gerekiyor. Yani, kullanım perspektifinden duracağız. Örneğin, bir zaman aralığı, bazı bölgesel kapsamlar, bazı teknik özellikler ve daha da önemlisi bazı iş özellikleri olabilir.
Nesnelerin İnterneti veri modelinin endüstri iş veri modelimizle ilişkilendirilmesi gerekir, aksi takdirde ikisi nispeten bağımsızdır.
İnsanları örnek olarak almak, örneğin, insanları yakalamak için insanların yakalanmasının resimleri vardır. İnsan yüz tanıma teknolojisi aracılığıyla kimlik numarasının ne kadar olduğunu bilebiliriz. Bu yıl kaç yaşında, ancak sadece bu veriler yeterli değil uygulamak için. iş verileri. Örneğin, kamu güvenliği için, bir uyuşturucu bağımlısı olup olmadığı olabilir; trafik için, yerinden edilmiş bir sürücü olup olmadığı olabilir; finans için VIP müşterileri olup olmadığı; mahkeme için; Mahkeme için; Durumunda, bu kişinin sahtekâr bir kişi olup olmadığı; vb. Bu tür bazı iş verilerinin aslında Nesnelerin İnterneti Verileri ile ilişkilendirilmesi gerekir.
Nesnelerin İnterneti Veri Kaynak Platformu, Edge etki alanındaki bu sorunu çözmektir. Sık sık iyi veriler kullanmak için veri yükseltmek için bir yer olduğunu söylüyoruz. Bulutun merkezinde, büyük bir veri kaynağı havuzu oluşturduk. Gelecekte, bulut merkezinde toplanmak ve işlemek için üç tür veri var, bu da sektörde ve bütün olarak daha iyi zeka elde edebiliyor. Bir veri türü, Nesnelerin İnterneti verilerinin Edge etki alanından gelir; internetten ikinci veri türü; üçüncü kategori özellikle önemlidir, yani çeşitli endüstrilerin iş sistemlerinin dahili verileri. Bu üç tür veri elde edilir. Bu temelde, bu temelde yukarıdakilerde, veri yönetişimi ve veri hizmetleri sorunlarını çözmek için büyük veri kaynak platformları kullanıyoruz.
Yapmamız gereken üçüncü şey senaryoyu uygulamaktır.
Uygulamanın güneş gibi görünmesine ve iş senaryosunun her köşesini aydınlatmasına izin verin. Yapay zeka ve veriler hammadde ise, uygulama bir üründür. Farklı uygulama senaryoları ile birleştiğinde, aynı hammadde farklı ürünler yapabilir. Kenar düğümlerinde, kenar alanlarında ve bulutlarda hepimiz, müşterilere hangi uygulamaların sağlanabileceğini analiz etmek için sahnelemeyi anahtar kelimeler olarak kullanıyoruz.
Örneğin, Kenar düğümünde, neyin basit ve ne yaptığını söylemek için tek bir sahnenin akıllı bir uygulaması oluşturmamız gerekir. Kenar alanında, inşa etmemiz gereken şey, zaman ve yeri geçen akıllı bir iş uygulaması ve hangi sektörde analiz etmek için işin ne olduğunu.
Bulutun merkezinde, daha büyük bir kapsamlı kontrol ve erken uyarı tahmini ölçeğiyle karşı karşıyayız. Hangi endüstrileri veya endüstrileri analiz etmemiz, makro "tutum" ve "potansiyel", yani eyalet ve eğilimi yargılamamız ve bu şekilde yapılacak uygulamayı bulmamız gerekir.
Bu öncül altında, Edge Alan ve Bulut Merkezlerinde akıllı uygulama platformları ve kapsamlı uygulama platformları sunuyoruz. Birbirleriyle daha iyi uyumluluk sağlamak ve birbirleriyle işbirliği yapmak için temel veri kaynaklarını platform aracılığıyla bağlıyoruz. Bu nedenle, temel IoT veri kaynağı havuzu aracılığıyla temel IoT veri kaynak havuzu aracılığıyla ve daha sonra akıllı uygulama platformumuza dayanarak geçmişte elde edilmemiş birçok uygulama efekti elde edebiliriz. Örneğin, aynı kullanımın çoğu elde edilebilir, yani, kaynak havuzuna yakınlaşmak için kenar düğümlerinin birçok verisi kullanılabilir ve aynı uygulama için kullanılabilir.
Örneğin, kamu güvenliği için, kilit personelin kontrolü için kullanılabilir; topluluk için yaşlılar için yaşlılara bakıyor olabilir; kentsel yönetim için, küçük bir restoranda mağazaların denetimini yapabilirsiniz; Sanitasyon, aracın denetimini yapabilirsiniz. Bu şekilde, verilerin ve uygulamaların aslında nispeten bağımsız olduğunu görebiliriz. Bu, veri birikimi ve uygulama gereksinimlerinin derinleşmesini sağlar. İki süreç olarak, aynı anda gerçekleştirilebilir. Veri ve verileri verilerle yükselten kişiler ilişkilidir ve nispeten bağımsız olarak çalışabilirler. Benzer şekilde, Bulut Merkezi tarafından sağlanan kapsamlı uygulama platformu, kullanıcıyı, büyük veri kaynak havuzu temelinde ihtiyaçların ihtiyaçlarını geliştirme ihtiyacını geliştirmek için destekleyebilir.
Şimdi, AI bulut mimarisi altında Edge Domain ve Bulut Merkezi'nde bir platform oluşturduktan sonra daha fazla uygulama alabiliriz. Ama aslında, marjinal düğümlerin uygulanması hala çabalarımızın odağıdır. Marjinal düğümlerin uygulanması aynı zamanda Edge Alanı ve Bulut Merkezi'nin daha iyi uygulama etkisi için ön koşul ve temelidir.
Marjinal düğümün odağı:
Her şeyden önce, akıllı. Kenar düğümlerine daha fazla ve daha iyi AI özellikleri enjekte etmemiz gerekiyor.
İkincisi, çeşitliliğe ulaşmalıyız. Ürünün temel ürün yetenekleri ve daha fazla kullanıcı kullanım senaryoları ile çeşitlendirilmesini gerçekleştirmektir.
Üçüncüsü çok boyutludur. Videonun işe alım yeteneğini, kullanıcılara entegre çok boyutlu algılama yeteneği sağlamak için bir cihazda RFID, WiFi, sıcaklık ve nem ve zaman ve boşluk gibi çeşitli algılama yöntemleriyle entegre edilmesi gerekir.
Yapılacak ikinci şey entegre olmaktır. Şimdi iyi bir uygulamamız var. Bazı sensörler, belirli veri ve uygulama özelliklerini doğrudan kenar düğümlerine koyun ve kullanıcılara kapsamlı cihazdaki kullanıcılara en verimli ve en hızlı sunuyor. Uygulama. kabiliyet. Örneğin, mevcut yüz erişim kontrolü, bir yandan, yüz tanıma yoluyla iyi kullanıcı duyguları elde eder ve doğrudan ön uçta verimli hizmetler sağlamak için erişim kontrolü ile entegre olur. Tüm bu yeteneklerin sonunda, marjinal düğümlerin yönetimine ulaşmak çok önemlidir. Tüm marjinal düğümlerin kendi kendine etkilenmesi ve kendi kendine etkileşim ve operasyon ve bakım hizmeti platformlarının çıktısını entegre etmesi gerekir.
Uygulamalar açısından, florit bulutu olan genel bulut uygulama platformumuzdan bahsetmeliyiz.
İnternette bir video bulut platformu olarak Hikvision, floritin düzeni olarak. Yıllarca süren sıkı çalıştıktan sonra on milyonlarca terminal ekipmanı bağlandı. Dünya çapında on milyonlarca aktif kullanıcı var. Önizleme isteği. Florit her zaman kendi stratejisi olarak açıldı. Sıkı çalıştıktan sonra, dünyadaki birçok ortakla iyi bir ekoloji kurdu. Şu anda, florit platformunda 20.000'den fazla geliştirici ve 4.000'den fazla aktif uygulama var.
AI yeteneklerinin enjeksiyonu, daha fazla endüstriye florit için daha iyi destek sağlar ve çok iyi bir temel oluşturur. Aynı zamanda, florit internette çalıştığı için, güvenlik yöntemlerini her zaman çok önemli bir görev olarak görmüştür ve bir tane sağlamak için bir tane sağladı. Bir tane sağlamak için bir tane sağlamak için. Güvenlik koruma yöntemleri serisi ve ISO27001 ve eşit güvenlik sertifikasını geçti.
Dördüncü açıdan, operasyon ve bakım entegrasyonunu fark etmeliyiz. Weiwei'nin hava gibi görünmesine izin vermeliyiz, ancak varlık duygumuz yok. Çünkü Nesnelerin İnterneti endüstrisinde, bunu sadece yöneterek iyi kullanabileceğimizi derinden biliyoruz.
Bu amaçla, kenar düğümlerinin, kenar alanlarının ve bulut merkezlerinin tüm ekipmanlarını, yazılımlarını ve uygulama sistemlerini yönetmek için birleşik bir işletme ve bakım hizmeti platformu geliştirdik. Ekipman üreticileri için bir çalışma ve bakım hizmeti işlevleri paketi sağlayın.
Operasyon ve bakım platformunda, özellikle iki yönün uzatılmasını düşünüyoruz. Biri, işletme ve bakım nesnelerinin genişlemesidir. Erişim ve bakım ekipmanlarının erişiminin çerçevesini sağlıyoruz. Gelecekte, işletim ve bakım hizmetlerimizin nesnesi Öte yandan, müşterilere birleşik operasyon ve bakım platformumuzda hizmet sunmak için daha fazla bakım hizmeti ekiplerini destekleyen franchise işlevini sunuyoruz.
AI Cloud tarafından sağlanan yukarıdaki yeteneklerden, cihaz genişlemesi, veri füzyonu, uygulama işbirliği ve sürekli çalışma ve bakım için böyle bir mekanizma görebiliriz. Bu, bağımsız olarak tamamlanabilecek bir şirket değildir. Birçok ortakla çalışmalıyız. Ortak bir büyüme ekolojisi oluşturun. Ekolojinin büyük bir ağaç gibi görünmesine izin verin ve büyümeye devam etmek için işbirliği içinde kök salın.
Hikvision, ortaklar için kazanılan bir işbirliği kurmaya kararlıdır. Depolama Kaynak Havuzu ve Algoritma Deposu'nu hesaplayarak altyapının açılmasını fark ediyoruz. Nesnelerin İnterneti Veri Kaynak Havuzu ve Büyük Veri Kaynak Havuzu aracılığıyla veri kaynaklarının açıldığını fark ediyoruz. Akıllı analiz hizmetleri ve büyük veri analiz hizmetleri kullanıyoruz. Platform hizmetlerinin açılması. Uygulama arayüzünün akıllı uygulama platformu ve kapsamlı uygulama platformu aracılığıyla açıldığını fark ediyoruz. Bu aşamada, ekipman üreticileri, temel yazılım satıcıları, algoritma üreticileri, veri sağlayıcıları ve uygulama geliştiricileri kendi dövüş sanatları arazilerini bulacaklar; güvenlik hizmeti sağlayıcıları, operasyon ve bakım hizmeti sağlayıcıları ve teknik standartlar düzenleyici ekipler de işbirliği fırsatları bulacaklar.
Bir ürün ve hizmet ekosistemi oluşturmak için herkesle birlikte çalışacağız. Bu amaçla, iş yapmak için elimizden geleni yapacağız. Açık bir platform sağlamanın yanı sıra, açık bir deneyim ortamı ve uyumluluk doğrulama ortamı da sağlanacaktır.
Endüstrideki tüm meslektaşlar, Haikangwei AI bulutunun entegrasyonunun geliştirme kavramını paylaşmaktan mutluluk duyuyorum: Jianxian'ın alan adına teknik mimarisi, etki alanı orta saha oyuncusu ve buluta giren veriler; Entegrasyon, veri, uygulama ve işletme ve bakımı, daha da önemlisi, bunun temelini oluşturacak şekilde ürün ve hizmetin açık ekosistemini.
Gelecekte, AI bulut mimarisi altında, kullanıcılar için daha fazla ve daha iyi hizmet sunmak için birlikte işbirliği yapabileceğimiz umulmaktadır.
Teşekkürler!
