5G和邊緣計算如何賦能安防行業

近年來安防行業高速發展，作為核心領域的影片監控經歷了從“看得見”到“看得清”，再到“看得懂”的轉變。面對海量影片資料和越來越高的實時性計算要求，5G和邊緣計算在安防行業有著廣闊的應用發展前景。本文重點闡述5G和邊緣計算在安防行業的應用背景、技術架構、重要特徵及問題和挑戰。

01 安防行業發展趨勢

智慧安防助力行業高速發展

安防技術在預防和打擊犯罪，維護社會治安，預防災害事故，減少國家、集體財產和人民生命等方面具有重大作用。安防行業已從傳統的人員安防發展到數字時代的智慧安防，成為最新科技與社會經濟生活深度融合和快速落地的領域之一。

近年來國內安防行業總產值呈現逐年增長的趨勢，據CPS中安網資料統計，2019年全國安防行業總產值為8260億元，同比增速15%，且連續5年保持10%以上的增長率。

安防行業根據不同的使用場景可以分為城市級安防、行業級安防和消費級安防，其服務分別面向to G(政府)、to B(企業)和toC(消費者)的需求。行業高速發展的驅動力來自兩點：一是城市化帶來的to G(政府)、to B(企業)和toC(消費者)需求增加，二是技術變革帶來的發展契機。

需求方面，在平安城市、天網工程以及雪亮工程、智慧公安的推動下，行業使用者對智慧技術需求不斷增長，使得中國安防行業發展迅速。技術驅動方面，隨著5G、人工智慧、大資料、物聯網、雲端計算等新興技術與超高畫質、熱成像、低照度、全景監控等傳統安防技術融合應用，安防行業向超高畫質、網路化、移動化、智慧化、雲化的智慧化方向發展，智慧安防市場規模還將進一步加速發展。

影片監控從“看得見”到“看得清”，再向“看得懂”轉變

第一階段，“看得見”：影片成為最常見的事件證據形式。通常情況下，調取案發現場周遭的影片監控就能發現案件偵破的重要線索。監控探頭密度越大、犯罪案件偵破率越高的思路推動監控攝像頭的大規模部署。目前，全國基本實現了主要城市街區的無死角監控。大量案件的犯罪過程被完整、清晰的記錄下來，成為指控犯罪、證明案件事實的最有力證據。

第二階段，“看得清”：從2016年到2018年初，十三五規劃、十九大報告、公安部雪亮工程等不斷強調提升安防檢視資源共享協作及聯網率、高畫質化建設。2019年3月，中央多部委聯合印發了《超高畫質影片產業發展行動計劃(2019—2022年)》，影片監控迎來超高畫質影片應用的藍海。行動計劃明確按照“4K先行、兼顧8K”的總體技術路線，大力推進超高畫質影片產業發展和相關領域的應用。

第三階段，“看得懂”：在“看得見”到“看得清”之後，人工智慧技術正在把安防系統從被動的記錄、檢視，逐漸轉變為事前有預警、事中有處置、事後有分析。透過主動預警、及時處置、自動分析，從而實現從“看得清”到“看得懂”。從車牌識別到車輛資料結構化分析，從人臉檢測到人臉比對，以及目標全結構化分析、行為事件的檢測分析等，每一項新技術的落地，都象徵著安防智慧時代正在一步步變成現實[1]。

02 安防行業邊緣計算現狀

5G與安防行業具有天然的適應性

5G的正式投入使用將使得安防行業從此面向更廣泛、更深入的應用領域[2]。5G技術的全國性商用也為安防行業帶來了新的可能性。5G應用中的eMBB(增強移動寬頻)、mMTC(海量大連線)、uRLLC(超可靠低時延)技術特徵正好能夠滿足移動化的影片監控業務頻寬和接入需求。

eMBB能夠為頻寬要求極高的影片類業務提供技術支撐，解決影片監控隨著高畫質化的演進而帶來的頻寬壓力問題。結合5G技術，移動端可以非常流暢地享受到更高質量的沉浸式影片內容，並實現隨時隨地影片採集、分享、上傳、面對面傳輸和移動影片控制，如移動指揮、移動影片偵查、移動巡邏執法等。

mMTC則能滿足連線密度要求高的業務需求，解決移動化的終端裝置接入問題，併為智慧安防雲端決策中心提供更周全、更多維度的參考資料，有利於進一步的分析判斷。城市安防的物聯網終端如防災設施、水位監測;社群安防中的人臉閘機、車輛道閘、智慧門禁、消防設施、垃圾儲量感應、智慧車棚、停車位感知;家庭中的智慧家居終端，都可以透過5G技術實現統一聯網，讓社群治理與服務實現秒級通訊。

uRLLC結合物聯網、人工智慧、雲端計算、大資料技術，在安防機器人方面已有較大的技術突破。已有研究機構研發出基於5G+AI能力的智慧安防機器人，可以實現從智慧感知採集到雲端智慧分析、處置指令傳送，再到機器人控制和處置的流程。

邊緣計算在安防領域有廣泛應用價值

我國一個二線以上城市可能就有上百萬個監控攝像頭，面對海量影片資料，雲端計算中心伺服器計算能力有限。若能在邊緣處對影片進行預處理，可大大降低對雲中心的計算、儲存和網路頻寬需求。因此，影片監控是邊緣計算技術應用較早的行業，體現在以下幾個方面：

第一，資料的分散式收集儲存。

在邊緣計算模型下，藉助邊緣伺服器實現對政府、社會和個人等各類零散監控的整合，在邊緣端進行一次預處理，對無價值的資料進行過濾，然後對影片資料進行短暫儲存並自動分流，這一操作能有效減緩雲端平臺的儲存壓力。

第二，資料的加密傳輸與共享。

在邊緣計算模型下，公安機關可透過對邊緣端的設計，使經過初步處理的影片資料得到一次加密，透過通訊技術向指定的雲端平臺進行輸送。這些影片資料中偵查資訊的安全性得到充分保障，在傳輸過程中被竊取的可能性大大降低[3]。

第三，資料的智慧分析與協同。

邊緣端能實現對前端裝置的自動化調整，在監控識別運動物體後，相鄰監控能夠在同一邊緣管理器的控制下實現一定範圍內的配合，進而做到監控視角的自動調整、對焦或軌跡追蹤。同時，邊緣端智慧識別的突發性案件可以經有效識別後向偵查機關自動預警，使影片資訊應用同步化，為偵查人員的介入爭取寶貴時間[3]。

第四，資料的規範有序運營。

在邊緣計算的框架下，也有利於影片資料的規範運轉，從而能夠形成有序的資料庫資源。前端生成的影片資料，沿著邊緣伺服器利用通訊技術向雲端傳輸。雲端可以對各邊緣端、邊緣端可以對各前端裝置可以實現有序管理。

安防行業邊緣計算發展歷程

安防行業的邊緣計算技術應用發展分為如下三個階段[4]，早期邊緣計算技術在安防行業的應用主要兩大特點是緩解流量壓力和安全性更高，中期側重各行業專用分析演算法，最近幾年，深度學習在人工神經網路最佳化方面獲得突破，使得機器輔助成為可能，擴充了人工智慧的應用領域。各大晶片廠商開始紛紛推出人工智慧演算法的晶片，使得人工智慧在邊緣端的實現成為可能。各大安防廠商也相繼推出基於邊緣計算技術的人工智慧裝置，如人臉抓拍系列產品就是其中的典型。基於邊緣計算技術，使其能夠在行人透過的時候，就第一時間解析出人臉資料，並把人臉資料發到資料中心進行匹配處理。

03 系統架構

從邏輯架構上，基於雲邊協同和邊緣智慧的安防系統架構從下至上分為前端感知、邊緣計算、雲端計算和安防應用四個層面。

第一層，前端感知層：是整個系統的神經末梢，負責現場資料的採集。除攝像頭外，系統的接入終端還包括各類感測器、控制器等物聯網裝置。

第二層，邊緣計算層：彙總各個現場終端送來的非結構化影片資料和物聯網資料並進行預處理，按既定規則觸發動作響應，同時將處理結果及相關資料上傳給雲端。根據需要，邊緣節點可實現一個或多個邊緣應用的部署。

第三層，雲端計算層：主要由邊緣管理模組、影片雲平臺、人工智慧模組和物聯網平臺組成，負責全域性資訊的處理和儲存，承擔邊緣層無法執行的計算任務，並向邊緣層下發業務規則和演算法模型以及為各類應用的開放對接提供標準的API。

第四層，安防應用層：利用分析處理的結構化/半結構化資料，結合特定的業務需求和應用模型，為使用者提供具體的垂直應用服務，如人臉識別、物體識別、人口管理、行為識別、車牌管理、案件偵破、森林防火、機場安保等場景。

04 兩大特徵

特徵一：安防雲邊協同

智慧安防是雲端計算與邊緣計算的融合，兩者的協同應用，會將安防行業大資料分析推向一個新的高度[6]。

第一，從業務需求方面來看，“雲邊協同”方式是安防智慧化發展的必然趨勢。能夠充分發揮兩種方案的各自優勢，在緩解系統頻寬壓力、縮短處理時延和提高分析準確度方面都有很大的提升。在整個系統中，邊緣計算功能除了由前端裝置本身的智慧化來實現外，還可以藉助承載網路的邊緣計算功能來實現，也就是在靠近網路邊緣的地方部署伺服器，綜合網路的資源使用情況、系統效能以及裝置資訊，儘可能在最靠近網路邊緣的位置進行業務分流，或進行資料分析、處理，同樣可以達到減少骨幹網的傳輸壓力，降低處理時延，提升使用者體驗的目的。

第二，從技術發展方面來看，邊緣計算與雲端計算是安防行業數字化轉型的兩大重要計算技術，兩者在網路、業務、應用、智慧等方面的協同發展將有助於安防行業更大限度的實現數字化轉型[7]。雲端計算把握整體，適用於大規模、非實時業務的計算;邊緣計算關注於區域性，適用於小規模、實時性計算任務，能夠更好完成本地業務的實時處理。

特徵二：安防邊緣智慧

邊緣計算與人工智慧互動融合的新模式稱之為邊緣智慧，是指在靠近資料產生端的邊緣側，人工智慧演算法、技術、產品的應用。邊緣智慧旨在利用邊緣計算低時延、鄰近化、高頻寬和位置認知等特性，透過人工智慧技術為邊緣側賦能，使其具備業務和使用者感知能力。具體實現上主要包括兩個方面：

首先，邊緣智慧載體是具備一定計算能力的硬體裝置，可實現不同智慧功能，稱之為邊緣計算節點。邊緣計算節點就近收集和儲存智慧前端的各類異構資料、就近管理和排程智慧計算資源，滿足不同場合對智慧分析的即時響應、即時分析的需要。可以接收、整合、傳遞智慧前端的結構化資料，也可以根據需要調配算力，應用不同的演算法對當前分級內的資料進行智慧分析，實現智慧應用。

其次，單個的邊緣節點可以將本級內智慧前端以及邊緣計算所需的儲存資源以及計算資源進行統一管理，根據需求排程智慧演算法，結合邊緣計算節點的智慧分析能力，實現在本級內完成所有預定的智慧功能;多個邊緣計算節點可以根據需求組合，形成一個智慧網路，在網路中對資料進行加工，交換資料，共享計算結果[8]。

以人臉識別應用為例，人臉檢測、抓拍乃至對比等人臉識別演算法可以利用深度學習神經網路演算法離線訓練，訓練完成後再進行演算法精簡，以此將AI能力注入到前端攝像機等邊緣裝置，透過高效能運算晶片和影像識別智慧演算法賦能邊緣裝置，在邊緣實現影片影像目標的檢測、提取、建模、解析，把影像解析的大量計算壓力均勻分擔到小顆粒大規模的邊緣計算資源上，僅把精煉的結構化有效資料上傳雲端處理，可以有效降低影片流的傳輸與儲存成本，分攤雲中心的計算和儲存壓力，實現效率最大化。在本地裝置上直接完成智慧影像識別，也實現了低延時和快響應，提高實時性。

邊緣計算與人工智慧技術在公共安全領域的應用，能夠有效提升公共安全管理的效率與水平，大幅降低人力物力成本，對城市管理、民生改善具有巨大價值，市場前景廣闊，且技術應用的基礎條件已經成熟，邊緣智慧技術將得到進一步發展，邊緣側AI應用場景將得到進一步豐富。

05 問題與挑戰

第一，邊緣計算在安防領域的應用需要其他技術的配合，比如人工智慧，而AI晶片在其中扮演著核心角色。智慧安防領域急需更多適用於邊緣計算的AI晶片，能滿足即時、準確、低成本、低功耗等高要求。

第二，就邊緣端裝置的部署和運維而言，邊緣裝置需要考慮體積和成本等核心因素，不能接受佔用很大的儲存空間和功耗，而且其具體下沉的位置，也需要綜合考慮網路管理的複雜度、效能最佳化的效果來進行部署。除此之外，邊緣結點裝置部署分散，如何管理分散的數以萬計的終端裝置，對運維的方式和效率也提出了新的挑戰。

第三，邊緣裝置的數量眾多，相互之間差異大，但技術標準尚不統一。由於會廣泛的分佈在各資料節點，可能會出現不同的處理演算法，需要標準來規範輸出的資料格式，否則不利於雲端資料再處理。

第四，邊緣裝置因為更接近資料來源，資料種類和數量的激增，網路邊緣的高度動態性也增加了網路的脆弱性，新興的攻擊方式尤其是針對物理裝置的攻擊，為裝置和資料安全帶了新的挑戰。

第五，儘管業界在MEC技術的應用方面已經進行了大量的研究，但目前邊緣計算在安防領域鮮有成規模的商業落地，真正的應用收入較少，邊緣平臺效益尚不明朗，成本能否順利回收存在不確定性。在一段時間內，豐富邊緣計算商業模式，提升邊緣平臺的效益，對各參與主體都將是一個不小的挑戰。