摘 要： 近年來,隨著公安信息化建設的逐步深入，大量的公安信息系統已經建立起來，這些系統的建立和使用，使公安信息系統中積累了大量的原始信息和結果信息。這些信息格式多樣，容量巨大，如果不善加管理和利用，必將成為系統中的“數據包袱”，無法產生任何價值，從而造成公安財富和成果的大量浪費。本文基于公安信息化領域的大數據應用需求，建立了大數據處理的系統總體架構和數據訪問服務架構，并借助幾個典型應用，描述了大數據應用的功能設計以及涉及的關鍵技術。
0 引言
隨著信息技術的飛速發展，信息系統的觸角已經伸向各行各業各個領域，公安系統也不例外。近年來，各地公安部門已經陸續建設和部署了多種信息系統，包括接處警與指揮調度系統、案事件管理系統、情報收集和分析系統、地理信息系統、視頻監控系統等，這些系統的建設和使用，一方面實現了公安部門日常工作信息化，另一方面也使各級公安部門產生和保存了大量的數據，包括警力數據、軌跡數據、案事件數據、人口數據、視頻數據等，這些數據不但體量龐大，而且文檔、圖像、音視頻等非結構化和半結構化數據所占比重也大幅度增加。由于信息存儲和處理平臺以及數據分析技術的制約，現有的公安信息系統已無力對這些數據進行管理以及進一步的處理、分析和利用，不能將這些數據中存在的有價值的信息挖掘出來。能否管理好這些數據，進而充分、有效地利用這些數據，發現隱藏在其背后的重要信息，為公安行業的預測預警和科學決策提供有力的依據，以提高執法效率和快速反應能力，及時預防和打擊犯罪活動，已經成為一個急需解決的問題[1]。為此，將大數據處理和應用引入公安信息化建設領域，無疑具有非常積極的意義。
那么，什么是大數據呢？大數據的典型特征通常用4V表示，分別代表規模巨大（Volume）、形式多樣（Variety）、增長迅速（Velocity）、 不確定（Veracity），如何管理和處理具有4V特征的海量數據，從中挖掘有價值的信息，滿足各種用戶的信息使用需求，就是大數據處理與應用所要達成的主要目標。就公安信息化建設而言，大數據處理與應用的引入，旨在利用最新的技術和方法，管理大數據，分析大數據，利用大數據，使公安信息化建設跟上時代步伐。
本文基于公安信息化領域的大數據應用需求，建立了大數據處理的系統總體架構和數據訪問服務架構，并借助幾個典型應用，描述了大數據應用的功能設計，以及涉及的關鍵技術。
1 系統總體設計
1.1 系統總體架構
本文中的大數據應用系統是公安信息化系統的一個有機組成部分，包括三個典型應用，分別是視頻偵查輔助系統、智能串并案系統、目標軌跡跟蹤系統。系統的實現以服務化云計算平臺為基礎，基于分層技術架構進行設計，如圖1所示。
基礎設施層為系統提供高性能計算和云數據存儲平臺，分為虛擬化設施與非虛擬化設施兩類：其中虛擬化設施由虛擬化軟件將服務器、存儲、網絡等物理設施虛擬為可用的邏輯資源，可實現基礎設施的按需分配和動態調整，實現資源的最大化利用；非虛擬化設施直接使用服務器、存儲、網絡等物理設施，主要用于分布式高性能計算。
基礎軟件層運行在硬件設施之上，包括操作系統、關系型數據庫管理系統、Hadoop框架以及開發工具等基本軟件支撐環境，基礎軟件層為其他軟件提供運行環境。
支撐層由支撐服務和數據接入兩部分組成，主要包括安全認證支撐平臺、安全云應用服務平臺、綜合支撐保障技術中心、GIS服務平臺、通用構件庫、數據訪問平臺。
應用層由大數據分析挖掘層和應用服務兩部分組成，其中大數據分析挖掘層為應用服務層提供支撐，主要包括各種數據挖掘分析算法和模型，應用服務包括視頻偵查輔助服務、智能串并案服務和目標軌跡跟蹤服務。
展現層包括視頻偵查輔助、智能串并案和目標軌跡跟蹤三部分，主要為各級公安人員提供友好的人機操作界面。
1.2 數據訪問服務架構
為了兼顧海量數據存儲處理與系統實時性的要求，大數據應用系統采用兩種數據存儲處理模式：人口、車輛、嫌疑人員等基礎信息，以及一定時間范圍內的案事件等規模有限的數據，采用Oracle、MySQL等傳統關系型數據庫存儲，滿足系統高實時性訪問的需要；案事件的歷史數據、視頻、日志等海量數據采用Hadoop 集群中HDFS文件系統和HBase數據庫存儲，實現海量數據的有效存儲與處理并支持系統未來的橫向擴展。同時，為數據訪問服務提供統一的數據訪問接口，為上層應用實現透明化的數據訪問服務，屏蔽系統的內部實現細節，數據訪問服務架構如圖2所示。
關系型數據庫負責實時性要求較高的業務處理，產生的歷史數據定期導入Hadoop集群中HBase數據庫，Hadoop集群負責視頻、圖片、日志等海量數據的存儲，海量數據經過挖掘分析形成的結果可重新注入關系型數據庫，支撐用戶對挖掘分析結果的實時查詢。
內部訪問接口包括面向關系型數據庫的JDBC、ODBC，以及面向Hadoop集群的HBase API、HDFS URL接口、HDFS文件系統API等，主要實現對關系型數據庫和Hadoop集群的數據訪問。
核心引擎是整個數據訪問服務管理的核心，介于內部訪問接口和對外數據訪問接口之間，負責數據訪問的權限管理、數據訪問內容的解析與重定向、數據訪問操作的緩存等工作，主要包括權限管理、數據解析、數據分類、操作隊列管理、合法性檢查等。
對外數據訪問接口是數據訪問服務為大數據應用系統業務軟件提供的統一數據訪問接口，所有的數據操作均通過該接口實現。
2 大數據典型應用
2.1 概述
本文中大數據典型應用包括視頻偵查輔助系統、智能串并案系統、目標軌跡跟蹤系統，這些應用系統以服務化云計算平臺為基礎，對公安大數據進行全面整合、深度挖掘、統一管理共享，全面提升公安信息化系統的預警預測、科學決策和偵查破案能力。
大數據典型應用系統是公安信息系統的一個重要組成部分，系統從公安業務系統獲取業務信息，并將大數據處理結果與業務系統共享。除此之外，為滿足業務需求，大數據應用系統還需要從其他行業、互聯網、視頻監控系統獲取信息。系統對外交互關系如圖3所示。
2.2 功能設計
2.2.1 視頻偵查輔助
隨著視頻監控技術在偵查破案、治安防控工作中的普遍應用及突出實效，各地陸續建立了視頻偵查專業隊伍。視頻偵查專業隊伍的建立，以及視頻偵查手段在公安工作中的成功應用，正成為轉變警務模式、提升警務效能、推動警務革命的一個全新增長期。但目前的視頻偵查大多還停留在視頻調看階段，缺乏對視頻信息的智能分析、檢索和使用，使視頻監控系統無法發揮更大效能。
視頻偵查輔助系統以海量的原始視頻數據為主要信息源，結合案例庫、車牌庫、人員信息庫等，通過視頻分析、查詢檢索、關聯分析等手段從中精煉出有價值的線索和情報，為各個業務警種提供視頻調閱、分析、處理與應用服務，為公安人員快速破案提供輔助手段。
視頻偵查輔助系統提供實時在線分析和事后離線分析功能。實時在線分析功能主要包括：人臉檢測、車輛檢測、視頻布防、人群聚集檢測、徘徊檢測、絆線檢測、區域入侵檢測、物品遺留檢測、物品丟失檢測、行人軌跡分析、車輛軌跡分析等。事后離線分析功能主要包括：視頻數據管理、智能視頻分析、人臉檢測、車輛檢測、視頻結果管理、視頻情報挖掘等。
視頻偵查輔助系統的建立，將使海量視頻信息從“為我所看”層面到達“為我所用”層面，實現視頻監控智能化。
2.2.2 智能串并案
串并案分析是案件偵破過程中的一個重要環節，目前的串并案工作主要依賴重復性人工分析，缺少智能化方法及工具，難以滿足業務發展需求。
智能串并案系統以海量的案事件數據、接處警數據為主要信息源，借助大數據處理技術，通過對案事件信息、嫌疑人員、涉案物品、線索等進行特征提取等綜合分析，依據串并案規則和模型，利用關聯聚類等方法，為公安人員提供串并案件輔助分析功能。從而使串并案工作逐步走向半自動化和自動化。
智能串并案系統為公安人員提供串并案管理、案件關聯分析和案件綜合串并功能。串并案管理負責對串并案中涉及的案件信息、嫌疑人信息、串并結果等進行管理，是案件串并工作的基礎，包含案件信息提取、串并信息管理功能。案件關聯分析負責對案件信息進行聚類、相似度分析等，為后續案件串并提供支撐，包含案件比對、案件相似度分析、案件聚類分析和串并案規律挖掘。案件綜合串并負責將具備串并特征的案件串并到一起形成系列案件，包含痕跡物證串并、案件要素串并、串并綜合研判、系列案輔助分析。
2.2.3 目標軌跡跟蹤
目標軌跡跟蹤系統以人員、物品、車輛等為目標，通過收集來自不同行業的數據，如旅店住宿數據、網吧上網數據、話單數據、銀行交易數據、航班數據、火車出行數據、視頻監控數據等，利用關聯查詢、信息比對、多維分析等手段，對目標的軌跡進行綜合分析，以圖表形式構建目標的軌跡圖，為案件偵破提供輔助支撐手段，并可以此為基礎支持公安人員完成嫌疑人員管控。
目標軌跡跟蹤系統的主要功能是目標軌跡分析和嫌疑人員管控。目標軌跡分析負責對設定目標（人員、物品、車輛）的軌跡進行分析，系統收集來自不同行業的數據，并對這些數據進行整合，綜合利用數據關聯、數據挖掘等方法建立目標軌跡，并以圖、表、報告等方式進行直觀展現，從而為各類業務辦理提供有效的支撐。目標軌跡分析的主要功能有：軌跡數據整合、特定軌跡分析、綜合軌跡分析、軌跡綜合查詢、軌跡綜合顯示、軌跡預警管理。嫌疑人員一般包括刑滿釋放人員、在逃人員、涉毒人員等，嫌疑人員管控就是通過建立犯罪風險積分預測模型，對這類人群進行分類分級管理。系統監測這類人群的動態信息，建立嫌疑人員的行為軌跡監控網絡，結合嫌疑人員的基礎信息、社會關系信息等對嫌疑人員進行管控預警。嫌疑人員管控的主要功能有：嫌疑人員信息管理、嫌疑人員布控管理、嫌疑人員動向監測、嫌疑人員管控責任管理、嫌疑人員預警管理、管控流程管理、管控聯動管理、綜合查詢統計。
2.3 關鍵技術
?、胖悄芤曨l分析
智能視頻分析就是“給視頻監控系統裝上大腦”，從而使視頻監控系統“有智慧、能分析、會辨別”。實現視頻檢索、視頻增強、視頻編輯、視頻濃縮摘要、視頻標注、行人檢測、車輛檢測等智能視頻分析功能。為此，首先需要對算法、環境、圖像質量等多種因素進行綜合考慮，對基于運動背景建模與目標識別的行為分析技術和基于目標物體特征信息的特征識別技術進行研究，對產品在不同場景下的適應性和魯棒性進行研究。其次，將智能視頻分析技術與云計算技術相結合，突破傳統平臺性能和容量的瓶頸，為智能視頻分析提供充足的計算資源和存儲資源，實現智能視頻分析全新應用模式的發展。
?、瓢讣悄艽?/strong>
為實現案件串并智能化，需要基于經驗法和量化分析法為各類案件建立串并模型，設計相似度規則、要素權重規則。通過聚類、相似度等分析，計算案件之間的相似程度，并給出量化的輸出結果。串并模型、權重規則以及串并算法都需要在實戰過程中進行驗證和調整，直至滿足特定用戶的實際需求。
?、欠缸镲L險積分預測
為對嫌疑人員的犯罪風險進行預測，需要克服目前單個模型“包治百病”的難題。通過對目前所積累的海量嫌疑人員數據的深度挖掘和關聯分析，挖掘出人所不能預知的隱性規律，并針對各類管控對象分類搭建積分預警模型，做到“一把鑰匙開一把鎖”，使犯罪風險預測走向個性化和精準化。
3 結束語
迅猛發展的經濟社會已經步入“大數據”時代，公安信息化系統也無法置身事外。但是，擁有大量數據本身并不會增加任何價值，大數據的威力體現在如何處理、分析和利用這些數據[2]。目前，大數據在公安信息化建設中的應用才剛剛起步，前景廣闊，任重道遠。因此從現在開始，就應該讓數據說話，讓數據驅動決策，讓大數據的價值真正地發揮出來，讓大數據助推公安信息化建設更上一層樓。
參考文獻
[1] 趙偉.數據挖掘技術在公安預測預警中的應用[J].警察技術，2009（4）: 56-58.
[2] Franks B.駕馭大數據[M]. 黃海，車皓陽，王悅，等，譯. 北京：人民郵電出版社，2013.