ZD至顶网软件频道消息:为实现国家治理体系和治理能力现代化的总目标,提高动态化、信息化条件下把控社会治安局势的能力,衢州公安着力打造了一套信息化、现代化的社会治安智能防控系统(以下简称“天网工程”)。
天网工程是衢州市发展建设智慧型城市的重要组成部分,构建了全市视频共享平台和八个区县分控平台(含县、市、区以及开发区等),建设视频共享库、事件库,实现全市信息共享、统一布防、协同作战。
天网工程系统以视频共享平台和视频作战平台作为基本要求,构筑三道防线(省际、市际、县际卡口)、建设三张网络(视频监控专网、外网、协作网)、实现多方位、全天候、立体化覆盖,全面构筑社会治安立体防控网和智能交通管理网。作为承载治安监控数据的视频专网,在建设运营过程中,主要有以下需求:
视频专网数据中心是衢州市治安监控数据的核心区域,集中了大量管理服务器、流媒体、存储等设备,故而数据中心的安全性、业务可靠性成为专网建设中考虑的重点;
公安天网作为公安最为重要的业务专网,前端设备的在线率决定了专网效能,省厅对前端IPC在线率有强制要求,因此前端接入设备的可靠性、稳定性变得十分重要;
衢州市下辖8个区县,监控点位众多,视频实时查看、存储等流程对网络带宽及时延的要求很高,因此视频专网的高性能、无阻塞成为用户关注的重点;
针对以上三个需求,迪普科技为衢州公安天网工程建设提供整网解决方案:
市级部署DPX19000系列新一代云级业务核心平台,各区县及数据中心区域部署十多台DPX8000(配置FW/ADX等接口板卡)系列深度业务核心交换网关:DPX系列产品支持L2-7融合操作系统Conplat,具备业内唯一能够将网络、安全以及应用交付功能融合的特性;DPX系列产品提供业界领先的L2-7层虚拟化技术,可平滑扩容满足业务发展需求,另外,核心虚拟化后将大大降低单点故障风险,满足核心大流量、高可靠的需求。
公安天网前端接入层部署数百台迪普科技LSW2000系列工业交换机,其工业级品质可从容应对恶劣的室外环境,提供工业、商用交换机混合组网的能力,保障整网设备的兼容性。为简化管理,迪普科技自主研发的统一管理平台UMC可实时监管整网百台设备,可及时排查故障,保障前端接入可靠性,同时减少运维投入。
衢州天网接入摄像头超过6000路,整网流量超大,迪普科技为其规划万兆带宽链路,避免传输时延、并为突发流量预留足够带宽,满足视频流量无阻塞、无丢包传输;并在核心-汇聚-接入整网部署迪普科技交换机,纵向打造地市—区县—乡镇三级网络,保障视频数据高效稳定传输。
迪普科技的DPX系列产品基于分布式架构+多核处理器+FPGA的高性能硬件架构APP-X,集业务交换、网络安全、应用交付三大功能于一体,在提供IPv4/IPv6、MPLS VPN、不间断转发、环网保护等丰富网络特性基础上,还可以提供应用防火墙、IPS、UAG、异常流量清洗/检测、应用交付、WAF、漏洞扫描等深度业务的线速处理,是目前业界业务扩展能力最强、处理能力最高、接口密度最高的深度业务交换网关,满足了公安天网工程建设中对网络及安全的处理能力的要求。
未来,在衢州公安天网工程建设完成后,视频专网将承载数万监控前端数据传输工作,而迪普科技高性能、高可靠、强安全的整网解决方案能够充分满足用户业务发展需求,为衢州公安天网工程提供强有力的技术支撑和业务保障。
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。