近年来，随着安防行业的快速发展，作为核心领域的文章监控经历了从可见到清除然后到可以理解。面对海量的文章数据和越来越高的实时计算要求，5G和边缘计算在安防行业有着广阔的应用和发展前景。本文重点介绍5G和边缘计算在安防行业的应用背景、技术架构、重要特性、问题和挑战。

安防行业的发展趋势

智慧助力行业快速发展。

安全技术在预防和打击犯罪、维护社会治安、预防灾害事故、减少国家和集体财产及人员伤亡方面发挥着重要作用的生命。安防行业已经从传统的人员安防发展到数字时代的智能安防，成为最新技术与社会经济生活深度融合并快速落地的领域之一。近年来，国内安防行业总产值逐年增长。据CPS Zhongan.com统计，2019年，全国安防行业总产值8260亿元，同比增速15%，连续5年保持10%以上的增速。

根据使用场景的不同，安防行业可分为城市级安防、行业级安防和消费级安防，其服务分别满足to G(政府)、to B(企业)和toC(消费者)的需求。行业高速发展的动力来自两点：一是城市化带来的对to G(政府)、to B(企业)、toC(消费者)的需求不断增加；另一个是技术变革带来的发展机遇。

在需求端，在平安城市、天网工程、慧眼工程、智能公安的推动下，行业用户对智能技术的需求日益增加，使得我国安防行业发展迅速。技术方面，随着5G、人工智能、大数据、物联网、云计算等新兴技术与超高清、热成像、低照度、全景监控等传统安防技术的融合应用，安防行业正朝着超高清、网络化、移动化、智能化、云化的智能化方向发展，智能安防市场规模将进一步加快。

文章监控从可见到清除然后到可以理解

第一阶段，可见:文章成为最常见的事件证据形式。通常情况下，通过调取案发现场周边的文章监控，可以发现案件侦破的重要线索。监控摄像头密度越高，刑事案件的侦破率越高，促进了监控摄像头的大规模部署。目前，全国基本实现了主要城市街区的盲点监控。大量案件的犯罪过程被完整、清晰地记录下来，成为指控犯罪、证明案件事实最有力的证据。

第二阶段，看清楚:2016-2018年初，十三五规划，十九大报告，公安部雪亮工程等。不断强调安全视图资源共享合作、联网率和高清建设的提升。2019年3月，中央多部委联合发布《超高清文章产业发展行动计划（2019—2022年）》，文章监控迎来超高清文章应用蓝海。该行动计划明确遵循了4K第一，考虑到8K ，大力推动超高清文章产业的发展及其在相关领域的应用。

第三阶段，理解:在看见到看清楚人工智能技术正在逐步改变安全系统，从被动的记录和检查转向事前警告、事中处理和事后分析。通过主动预警、及时处置和自动分析，我们可以实现从看清楚到理解清楚。从车牌识别到车辆数据的结构化分析，从人脸检测到人脸比对，以及全结构化

EMBB可以为高带宽要求的文章业务提供技术支持，解决文章监控向高清演进带来的带宽压力问题。结合5G技术，移动端可以非常流畅地享受更高质量的沉浸式文章内容，随时随地实现文章采集、分享、上传、面对面传输和移动文章控制，如移动指挥、移动文章侦查、移动巡逻执法等。

MMTC可以满足高连接密度的业务需求，解决移动终端设备接入问题，为智能安全云决策中心提供更全面、多维度的参考数据，有利于进一步分析判断。

防灾设施、水位监测等城市安防的物联网终端；小区安防中的人脸闸机、车辆闸机、智能门禁、消防设施、垃圾存储传感、智能车棚、车位传感；家庭中的智能家居终端都可以通过5G技术实现统一组网，让社区治理和服务实现秒级互通。

URLLC结合物联网、人工智能、云计算、大数据技术，在安防机器人方面取得了很大的技术突破。科研院所研发了基于5G AI能力的智能安防机器人，可以在云端实现从智能感知采集到智能分析，发送处置指令，再到机器人控制处置的过程。

边缘计算在安全领域有着广泛的应用价值。

中国一个二线以上的城市，可能有上百万个监控摄像头。面对海量的文章数据，云计算中心服务器的计算能力有限。如果能在边缘对文章进行预处理，就可以大大降低云中心对计算、存储和网络带宽的要求。因此，文章监控是边缘计算技术应用较早的行业，具体体现在以下几个方面：

第一，分布式数据收集和存储。在边缘计算模式下，可以借助边缘服务器实现政府、社会、个人分散监控的整合。在边缘，执行预处理以过滤无价值的数据，然后文章数据被临时存储并自动分流。这种操作可以有效减轻云平台的存储压力。

第二，数据的加密传输和共享。在边缘计算模式下，公安机关可以通过设计边缘端，对初步处理后的文章数据进行一次加密，通过通信技术传输到指定的云平台。这些文章资料中的侦查信息安全性得到充分保障，传输过程中被窃取的可能性大大降低[3]。

第三，数据的智能分析与协作。edge可以实现前端设备的自动调整。在监测识别出运动物体后，相邻的监测器可以在同一个边缘管理器的控制下在一定范围内协同工作，从而实现监测角度的自动调整、聚焦或轨迹跟踪。同时，在边缘智能识别的突发案件，可以有效识别，然后自动向侦查机关报警，同步应用文章信息，为侦查人员的介入赢得宝贵时间[3]。

第四，数据的规范有序运行。在边缘计算的框架下，也有利于文章数据的标准化操作，从而形成有序的数据库资源。前端产生的文章数据通过通信技术沿着边缘服务器传输到云端。云可以有序地管理每个边缘端、每个边缘端和每个前端设备。

边缘计算在安防行业的发展

边缘计算技术在安防行业的应用和发展可以分为以下三个阶段[4]。边缘计算技术在安防行业的早期应用主要有两个特点：缓解流量压力和更高的安全性，中期专注于各行业的特殊分析算法。近年来，深度学习在人工神经网络优化方面取得突破，使机器辅助成为可能，拓展了人工智能的应用领域。

各大芯片制造商开始推出人工智能算法的芯片，使人工智能在

从逻辑架构上，基于云边缘协作和边缘智能的安全体系架构自下而上分为四个层次：前端感知、边缘计算、云计算和安全应用[5]。

第一层，前端感知层，是整个系统的神经末梢，负责现场数据的采集。系统的接入终端除了摄像头，还包括传感器、控制器等各类物联网设备。

第二层，边缘计算层：采集并预处理各现场终端发送的非结构化文章数据和物联网数据，根据既定规则触发动作响应，并将处理结果和相关数据上传至云端。根据需要，边缘节点可以实现一个或多个边缘应用的部署。

第三层，云计算层：主要由边缘管理模块、文章云平台、人工智能模块、物联网平台组成。它负责处理和存储全局信息，承担边缘层无法执行的计算任务，并向边缘层发布业务规则和算法模型，以及提供各种应用开放对接的标准API。

第四层，安全应用层：利用分析处理后的结构化/半结构化数据，结合特定的业务需求和应用模型，为用户提供特定的垂直应用服务，如人脸识别、物体识别、人口管理、行为识别、车牌管理、案件侦破、森林防火、机场安检等场景。

两个特征

一个特性：安全云和边缘之间的协作

智慧安防是云计算和边缘计算的融合，两者的协同应用将安防行业的大数据分析推向一个新的高度[6]。首先，从业务需求的角度来看，云端协作是智能安防发展的必然趋势。可以充分发挥两种方案各自的优势，大大提高系统的带宽压力，缩短处理延迟，提高分析精度。

在整个系统中，边缘计算功能不仅可以通过前端设备本身的智能化来实现，还可以通过承载网的边缘计算功能来实现，即在网络边缘附近部署服务器，整合网络的资源使用、系统性能和设备信息，尽可能将服务或数据分析处理分布在最靠近网络边缘的位置，也可以达到减轻骨干网传输压力、降低处理时延、提升用户体验的目的。

其次，从技术发展来看，边缘计算和云计算是安防行业数字化转型的两项重要计算技术。它们在网络、业务、应用、智能上的协同发展，将帮助安防行业更大程度上实现数字化转型[7]。把握整个云计算，应用于大规模、非实时业务的计算；边缘计算侧重于本地，适用于小规模、实时的计算任务，能够更好地完成本地业务的实时处理。

两个特性：安全边缘智能

边缘计算与人工智能交互融合的新模式称为边缘智能，是指人工智能算法、技术和产品在靠近数据产生端的边缘侧的应用。

边缘智能旨在利用边缘计算的低时延、邻近性、高带宽、位置感知等特性，通过人工智能技术赋能边缘侧，使其具备业务和用户感知能力。

实现主要包括两个方面：第一，边缘智能载体是具有一定计算能力的硬件设备，可以实现不同的智能功能，称为边缘计算节点。边缘计算节点就近采集和存储智能前端的各类异构数据，就近管理和调度智能计算资源，满足不同场合智能分析的即时响应和分析需求。

您可以接收、整合和传输智能前端的结构化数据，也可以根据需要分配计算能力，应用不同的算法对当前分类中的数据进行智能分析，实现智能应用

其次，单个边缘节点可以统一管理同级智能前端和边缘计算所需的存储资源和计算资源，根据需求调度智能算法，结合边缘计算节点的智能分析能力，实现同级所有预定的智能功能；多个边缘计算节点可以根据需要组合成一个智能网络，在这个智能网络中可以处理、交换数据和共享计算结果[8]。

以人脸识别应用为例，可以利用深度学习神经网络算法离线训练人脸检测、抓拍甚至比对等人脸识别算法，训练完成后再对算法进行精简，从而为前端摄像头等边缘设备注入AI能力，通过高性能计算芯片和智能图像识别算法为边缘设备赋能，实现文章图像对象在边缘的检测、提取、建模和分析。将图像分析的大量计算压力平均分担到小规模的边缘计算资源上，只上传精细化结构化的有效数据到云端进行处理，可以有效降低文章流的传输和存储成本，分担云中心的计算和存储压力，实现效率最大化。

智能图像识别可以直接在本地设备上完成，也实现了低延迟、快速响应，提高了实时性。边缘计算和人工智能技术在公共安全领域的应用，可以有效提高公共安全管理的效率和水平，大大降低人力和物力成本，对城市管理和人民生活的改善具有重大价值具有广阔的市场前景。此外，技术应用的基础条件已经成熟，边缘智能技术将进一步发展，边缘AI的应用场景将进一步丰富。

问题和挑战

第一，边缘计算在安全领域的应用需要其他技术的配合，比如人工智能，其中AI芯片起着核心作用。在智能安防领域，迫切需要更多适合边缘计算的AI芯片，能够满足实时性、准确性、低成本、低功耗的高要求。

其次，就边缘设备的部署和运维而言，要考虑体积、成本等核心因素，边缘设备可以不会占用很多存储空间和功耗。而且边缘设备的具体下沉位置也要综合考虑网络管理的复杂度和性能优化的效果来部署。此外，边缘节点设备部署分散，如何管理数万台分散的终端设备，对运维的模式和效率提出了新的挑战。

再次，边缘设备数量众多，彼此差异较大，但技术标准仍不统一。因为会广泛分布在各个数据节点，可能会出现不同的处理算法，需要标准来规范输出数据格式，否则不利于云端数据再处理。

第四，由于边缘设备离数据源更近，数据的种类和数量都在快速增加，网络边缘的高动态性也增加了网络的脆弱性。新兴的攻击方法，尤其是针对物理设备的攻击方法，给设备和数据带来了新的挑战。

第五，虽然业界对MEC技术的应用做了大量研究，但目前边缘计算在安全领域的大规模商业应用较少，真正的应用收入较低，边缘平台的收益尚不明确，能否顺利收回成本存在不确定性。在一段时间内，丰富边缘计算的商业模式，提高边缘平台的效益，将是所有参与者的一大挑战。

参考

[1]何瑶。020安防产品的新趋势[J].中国公共安全，2020 (3): 112-116

[2]许，王。的应用。MEC技术在文章监控领域的应用[J].信息和通信技术与政策，2020年(2): 87-91。

[3]贾，陈刚，李.边缘计算在文章检测中的应用[J].计算机工程及应用。http://kns . CNKI . net/kcms/detail/11.2127 . TP . 20200220.1610 . 004 . html

崔。发展与应用

[7] CCID顾问。智力的边缘发展和进化白皮书。中国计算机报[N]2019年5月20日：18

【八】七牛云。边缘计算的爆发给整个安全行业带来了哪些变化？[N]的缩写.https://zhuanlan.zhihu.com/p/55599887知乎

japan quarterly 日本季刊