對(duì)于智能視頻圖像分析服務(wù)，主要核心是智能分析算法引擎，目前業(yè)內(nèi)普遍采用的是基于深度學(xué)習(xí)的智能視頻圖像分析算法，在IaaS基礎(chǔ)設(shè)施層面上，一般都會(huì)采用高性能的GPU服務(wù)器設(shè)備提升算法執(zhí)行效率。因此，在安防云平臺(tái)上，GPU服務(wù)器設(shè)備集群已經(jīng)成為一個(gè)必須的資源池，為安防云平臺(tái)提供高性能的計(jì)算基礎(chǔ)。

針對(duì)這方面的需求，科達(dá)自主研發(fā)的智能分析GPU服務(wù)器提供了高密度高性能的GPU計(jì)算能力，在標(biāo)準(zhǔn)4U服務(wù)器架構(gòu)上，可提供不少于12套高性能GPU分析處理單元，支持堆疊擴(kuò)展，可充分滿足各類(lèi)深度分析智能分析算法集群化及高密度的應(yīng)用需求。

在IaaS層系統(tǒng)層面，安防云計(jì)算平臺(tái)需要將GPU計(jì)算資源高效管理和利用，采用集群化、虛擬化的方式進(jìn)行資源的靈活調(diào)度和分配，最大限度地提升視頻圖像分析能力。同時(shí)，安防云平臺(tái)還需要能夠?qū)PU計(jì)算資源使用情況、GPU處理器的狀態(tài)等進(jìn)行密切的監(jiān)控，在單個(gè)或者多個(gè)GPU計(jì)算設(shè)備故障的情況下，能夠保證不會(huì)影響已經(jīng)在進(jìn)行的智能視頻分析業(yè)務(wù)，實(shí)現(xiàn)GPU的池化服務(wù)性能。科達(dá)智能分析系統(tǒng)所采用的GPU服務(wù)器內(nèi)置集群管理功能，可結(jié)合安防云平臺(tái)中各類(lèi)視頻智能分析服務(wù)的需求提供豐富的資源監(jiān)控管理和調(diào)度服務(wù)，實(shí)現(xiàn)云平臺(tái)對(duì)GPU計(jì)算資源的高效應(yīng)用。

此外，在PaaS層面上，安防云計(jì)算平臺(tái)還可以進(jìn)一步對(duì)智能視頻分析服務(wù)進(jìn)行分層，將算法框架以及具體的算法應(yīng)用分離，能夠提供各種類(lèi)型的深度學(xué)習(xí)分析算法框架，如TensorFlow、Torch等，保證這些算法框架可以利用強(qiáng)大的云基礎(chǔ)架構(gòu)快速地調(diào)度各類(lèi)計(jì)算資源，為具體的算法應(yīng)用提供統(tǒng)一、可靠、便捷的資源服務(wù)平臺(tái)。屆時(shí)，各種具體的基于深度學(xué)習(xí)的智能分析應(yīng)用，如：人臉?lè)治?、?chē)輛分析、行為分析等即可在云平臺(tái)上實(shí)現(xiàn)快速的部署和管理。

對(duì)于安防大數(shù)據(jù)分析服務(wù)，主要核心是各種大數(shù)據(jù)分析挖掘算法（PaaS層面），以及能夠支撐這些數(shù)據(jù)分析算法的分布式數(shù)據(jù)庫(kù)（DaaS層面）。安防大數(shù)據(jù)分析面對(duì)的是海量的安防數(shù)據(jù)資源，包括幾十億、上百億的目標(biāo)描述信息以及相關(guān)的特征信息，包括人、車(chē)目標(biāo)記錄，人像特征、人臉特征、車(chē)輛特征以及各種龐大的車(chē)輛信息庫(kù)、人臉信息庫(kù)等。這些數(shù)據(jù)需要高可靠的存儲(chǔ)讀寫(xiě)，并且要能高性能地分析利用起來(lái)。在DaaS層面，科達(dá)采用高性能的分布式數(shù)據(jù)庫(kù)技術(shù)，通過(guò)分布式計(jì)算以及橫向便捷擴(kuò)展特性，可以滿足上百億的數(shù)據(jù)存儲(chǔ)、調(diào)用和分析的需求。分布式數(shù)據(jù)庫(kù)通過(guò)采用數(shù)據(jù)離散存儲(chǔ)、數(shù)據(jù)冗余保護(hù)、數(shù)據(jù)分層存儲(chǔ)、內(nèi)存加速、分布式計(jì)算等技術(shù)，為海量數(shù)據(jù)提供高可靠、高性能、易擴(kuò)展的數(shù)據(jù)存儲(chǔ)服務(wù)系統(tǒng)，滿足安防云平臺(tái)對(duì)海量結(jié)構(gòu)化/半結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)、讀寫(xiě)和分析計(jì)算的要求。

在分布式數(shù)據(jù)庫(kù)的基礎(chǔ)上，安防云平臺(tái)在PaaS層面上部署各種分布式大數(shù)據(jù)分析計(jì)算引擎，以便對(duì)海量數(shù)據(jù)資源進(jìn)行分析，比如采用MapReduce的數(shù)據(jù)離線處理，采用spark或者strom實(shí)現(xiàn)數(shù)據(jù)的近實(shí)時(shí)處理或者實(shí)時(shí)業(yè)務(wù)處理。支持大數(shù)據(jù)全文檢索的引擎如slor+spark，支持?jǐn)?shù)據(jù)挖掘的引擎如sparkHive等。通過(guò)這些高性能的大數(shù)據(jù)分析的算法、流式數(shù)據(jù)處理技術(shù)，以高性能的分布式數(shù)據(jù)庫(kù)為基礎(chǔ)，進(jìn)一步提升了海量數(shù)據(jù)分析的效率，滿足實(shí)時(shí)的布控報(bào)警需求，從而能夠?qū)崿F(xiàn)由事后處理到事前預(yù)警的轉(zhuǎn)變。