Kiểm tra mở port
Tính dung lượng ghi hình
Tính góc quan sát
Trắc nghiệm CCTV
Tìm kiếm Facebook
Super Password
Kiểm tra bảo hành
Phân tích video bằng AI: Chìa khóa cho an ninh vòng ngoài
Phân tích video bằng trí tuệ nhân tạo (AI) có thể đóng vai trò then chốt trong an ninh vòng ngoài. Đặc biệt, AI có thể hiệu quả trong việc phát hiện mối đe dọa và phân tích hành vi, vốn rất quan trọng để giữ cho khu vực xung quanh an toàn và bảo mật. Trong khi đó, nhiều sự chú ý đã được dành cho các mô hình AI quy mô lớn, nhưng tính hữu ích của chúng trong an ninh vòng ngoài vẫn còn phải xem xét do một số thách thức và hạn chế nhất định.
An ninh vòng ngoài đề cập đến việc bảo vệ khu vực xung quanh hoặc ranh giới bên ngoài của một tổ chức. Đối với nhiều tổ chức, an ninh vòng ngoài là rất quan trọng vì nó đóng vai trò là tuyến phòng thủ đầu tiên. Về vấn đề này, phân tích video dựa trên AI có thể khá hữu ích, đặc biệt trong các lĩnh vực sau:
Phát hiện xâm nhập/phân tích đối tượng
AI có thể thực hiện tốt việc phát hiện xâm nhập và phân tích đối tượng, đây là những yếu tố then chốt trong an ninh vòng ngoài. “Ví dụ, tính năng phát hiện xâm nhập do AI điều khiển giúp các nhà khai thác xác định các hành vi vi phạm cơ sở hạ tầng và kiểm soát truy cập, đồng thời với phần mềm phân tích AI, họ có thể xác định cả những bất thường nhỏ và các mối đe dọa đang hoạt động. Tính năng phát hiện đối tượng cung cấp thêm thông tin chi tiết về các mối đe dọa tiềm ẩn, cảnh báo cho người vận hành về vũ khí nguy hiểm liên quan đến hoạt động tội phạm”, Todd Dunning, Giám đốc Quản lý Sản phẩm, Bảo mật Video và Phân tích tại Pelco cho biết.
Phân tích hành vi
AI cũng có thể hiệu quả trong việc phát hiện các hành vi bất thường có thể cho thấy một hành vi vi phạm tiềm ẩn đối với khu vực xung quanh. “Camera được thông báo bởi phần mềm phân tích video AI không chỉ có thể xác định các hành động phù hợp với hành vi đột nhập, mà còn cả các dấu hiệu la cà và di chuyển đáng ngờ có thể cho thấy một hành vi vi phạm khu vực xung quanh được lên kế hoạch trong tương lai”, Dunning nói.
Lạm dụng cổng xe
Không chỉ cá nhân, xe cộ cũng có thể gây thiệt hại cho khu vực xung quanh và việc phát hiện và ngăn chặn các xe có ý đồ xấu ở bên ngoài là rất quan trọng. “[AI có thể hữu ích trong việc] xác định việc bám đuôi xe, xâm nhập cưỡng bức hoặc các cách tiếp cận sai hướng, cùng với nhận dạng biển số xe để tự động hóa việc ra vào cho các xe được ủy quyền”, Mats Thulin, Giám đốc Giải pháp AI và Phân tích tại Axis Communications cho biết.
Các trường hợp sử dụng nói trên có thể được kích hoạt bằng nhiều công nghệ AI khác nhau, bao gồm thị giác máy tính, nhận dạng biển số xe, nhận dạng khuôn mặt, công nghệ phân tích đối tượng/hành vi và các công nghệ khác.
“Các công nghệ cốt lõi ngày nay bao gồm hình ảnh nâng cao tiên tiến – chẳng hạn như khử nhiễu, HDR, tối ưu hóa ánh sáng yếu và ổn định hình ảnh – cùng với khả năng phát hiện và phân loại đối tượng do AI điều khiển để phát hiện đáng tin cậy người, xe cộ và động vật. Phân tích âm thanh cũng có thể đóng một vai trò quan trọng bằng cách xác định các âm thanh như tiếng vỡ kính hoặc tiếng la hét”, Thulin nói. “Cùng với nhau, các công nghệ này cung cấp cho người vận hành một cái nhìn đầy đủ hơn, toàn diện hơn và đáng tin cậy hơn về khu vực xung quanh.”
Mô hình AI quy mô lớn
Gần đây, trong lĩnh vực bảo mật, nhiều sự nhiệt tình đã được tạo ra trong chủ đề về các mô hình AI quy mô lớn, được cho là khá hiệu quả trong an ninh vòng ngoài. Ví dụ, người ta nói rằng các mô hình AI quy mô lớn có thể phát hiện các mục tiêu ở khoảng cách xa hơn, nhận dạng các đối tượng ở các pixel nhỏ hơn nhiều và xác định một loạt các loài động vật rộng hơn. Mặc dù các mô hình AI quy mô lớn khá hứa hẹn như một công nghệ bảo mật thế hệ tiếp theo, nhưng hiệu quả của chúng trong an ninh vòng ngoài vẫn còn gây tranh cãi, do một số thách thức và khó khăn nhất định.
“Các mô hình lớn đòi hỏi quá trình xử lý đám mây mạnh mẽ, gây ra sự chậm trễ tối thiểu từ 15-20 giây. Trong các kịch bản bảo mật, nơi kẻ tấn công di chuyển trong vài mili giây, sự chậm trễ này là vô ích về mặt hoạt động”, Albert Stepanyan, Chủ tịch và Giám đốc điều hành của Scylla AI cho biết.
Ông nói thêm: “Các mô hình AI lớn được thiết kế để phân tích một khung hình duy nhất, không phải các luồng video liên tục. Chúng bỏ lỡ các mẫu thời gian quan trọng – một người trèo qua hàng rào trong 3-4 giây xuất hiện dưới dạng các hình ảnh tĩnh bị ngắt kết nối. Lỗi thiết kế cơ bản này tạo ra tỷ lệ âm tính giả lớn, nơi các mối đe dọa thực sự không bị phát hiện.”
Theo Dunning, cả mô hình AI quy mô lớn và mạng nơ-ron tích chập (CNN) thông thường hơn đều có ưu điểm và nhược điểm, và việc áp dụng phụ thuộc vào trường hợp sử dụng.
“CNN cung cấp một giải pháp đáng tin cậy và tiết kiệm tài nguyên hơn cho các cài đặt điển hình, nơi người vận hành biết loại mối đe dọa mà họ phải đối mặt và tự tin vào khả năng điều chỉnh để đáp ứng các nhu cầu riêng biệt, được chỉ định trước. Các mô hình quy mô lớn phù hợp nhất cho các địa điểm có rủi ro cao, được tài trợ tốt, thường phải đối mặt với những rủi ro chưa biết và có quyền truy cập vào nguồn lực rộng lớn”, ông nói.
Trong khi đó, Thulin của Axis cho biết một cách tiếp cận kết hợp có thể là con đường để đi.
“Các mô hình đa năng, quy mô lớn có thể gây ấn tượng trong các bản demo, nhưng an ninh vòng ngoài đòi hỏi hiệu suất thời gian thực trong môi trường ngoài trời, biên, nơi tốc độ, khả năng dự đoán và hiệu quả năng lượng là rất quan trọng. Ngày nay, các mô hình nhỏ gọn, được đào tạo có mục đích, được điều chỉnh cho các nhiệm vụ và môi trường cụ thể là hiệu quả nhất và dẫn đến ít báo động giả hơn. Ngoài ra, nhiều mô hình lớn hơn khó chạy trên các thiết bị biên, đòi hỏi máy chủ hoặc xử lý đám mây và trong trường hợp sau, điều này cũng tạo ra sự phụ thuộc vào kết nối đám mây”, ông nói. “Về lâu dài, một cách tiếp cận kết hợp là lý tưởng: tận dụng các mô hình lớn hơn trên đám mây để xử lý cấp độ thứ hai, đồng thời triển khai phân tích hiệu quả ở biên để phát hiện trực tiếp trong trường hợp sử dụng khu vực xung quanh.”
