一、数据流详细资料大全

数据流（data stream）是一组有序，有起点和终点的位元组的数据序列。包括输入流和输出流。

数据流初是通信领域使用的概念，代表传输中所使用的信息的数字编码信号序列。这个概念初在1998年由Henzinger在文献87中提出，他将数据流定义为“只能以事先规定好的顺序被读取一次的数据的一个序列”。

基本介绍中文名：数据流外文名：data stream概念提出人：Henzinger提出时间：1998年释义：以规定顺序被读取一次的数据序列发展原因：2个数据模式：4个计算类型：可分为两类：基本计算和复杂计算产生背景,细节数据,复杂分析,区别特征,分类,输入流与输出流,缓冲流,模型描述,形式化,数据**,数据属性,计算类型,相关思路,简介,随机采样,构造略图,直方图,小波变换,新动向,小说流派,产生背景数据流套用的产生的发展是以下两个因素的结果：细节数据已经能够持续自动产生大量的细节数据。这类数据早出现于传统的银行和股票交易领域，后来则也出现为地质测量、气象、天文观测等方面。尤其是网际网路(网路流量监控，点击流)和无线通信网（通话记录）的出现，产生了大量的数据流类型的数据。我们注意到这类数据大都与地理信息有一定关联，这主要是因为地理信息的维度较大，容易产生这类大量的细节数据。复杂分析需要以近实时的方式对更新流进行复杂分析。对以上领域的数据进行复杂分析（如趋势分析，预测）以前往往是（在数据仓库中）脱机进行的，然而一些新的套用（尤其是在网路安全和国家安全领域）对时间都非常敏感，如检测网际网路上的极端**、欺诈、入侵、异常，复杂人群监控，趋势监控(track trend)，探查性分析（exploratory*** yses），和谐度分析(harmonic*** ysis)等，都需要进行**上的分析。在此之后，学术界基本认可了这个定义，有的文章也在此基础上对定义稍微进行了修改。例如，S. Guha等[88]认为，数据流是“只能被读取一次或少数几次的点的有序序列”，这里放宽了前述定义中的“一遍”限制。为什么在数据流的处理中，强调对数据读取次数的限制呢？S. Muthukrishnan[89]指出数据流是指“以非常高的速度到来的输入数据”，因此对数据流数据的传输、计算和存储都将变得很困难。在这种情况下，只有在数据初到达时有机会对其进行一次处理，其他时候很难再存取到这些数据（因为没有也无法保存这些数据）。区别特征与传统的关系数据模式区别 B.Babcock等[90]认为数据流模式在以下几个方面不同于传统的关系数据模式： 1.数据**上到达； 2.处理系统无法控制所处理的数据的到达顺序； 3.数据可能是无限多的； 4.由于数据量的庞大，数据流中的元素被处理后将被抛弃或存档（archive）。以后再想获取这些数据将会很困难，除非将数据存储在记忆体中，但由于记忆体大小通常远远小于数据流数据的数量，因此实际上通常只能在数据第一次到达时获取数据。三个特点我们认为，当前所研究的数据流计算之所以不同于传统的计算模式，关键在于这些数据流数据本身具有如下三个特点：数据的到达—快速这意味着短时间内可能会有大量的输入数据需要处理。这对处理器和输入输出设备来说都是一个较大的负担，因此对数据流的处理应尽可能简单。酷睿2处理器数据的范围—广域这是指数据属性（维）的取值范围非常大，可能取的值非常多，如地域、手机号码、人、网路节点等。这才是导致数据流无法在记忆体或硬碟中存储的主要原因。如果维度小，即使到来的数据量很大，也可以在较小的存储器中保存这些数据。例如，对于无线通信网来说，同样的100万条通话记录，如果只有1000个用户，那么使用1000个存储单位就可以保存足够多和足够精确的数据来回答“某一用户的累计通话时间有多长”的问题；而如果共有100000个用户，要保存这些信息，就需要100000个存储单位。数据流数据的属性大多与地理信息、IP位址、手机号码等有关，而且往往与时间联系在一起。这时，数据的维度远远超过了记忆体和硬碟容量，这意味着系统无法完整保存这些信息，通常只能在数据到达的时候存取数据一次。数据到达的时间—持续数据的持续到达意味着数据量可能是无限的。而且，对数据进行处理的结果不会是终的结果，因为数据还会不断地到达。因此，对数据流的查询的结果往往不是一次性而是持续的，即随着底层数据的到达而不断返回新的结果。以上数据流的特点决定了数据流处理的特点一次存取，持续处理，有限存储，近似结果，快速回响。近似结果是在前三个条件限制下产生的必然结果。由于只能存取数据一次，而且只有相对较小的有限空间存储数据，因此产生精确的计算结果通常是不可能的。而将对结果的要求从过去的“精确”改为“近似”后，实现数据流查询的快速回响也就成为了可能。分类数据的性质、格式不同，则对流的处理方法也不同，因此，在Java的输入/输出类库中，有不同的流类来对应不同性质的输入/输出流。在java．io包中，基本输入/输出流类可按其读写数据的类型之不同分为两种：位元组流和字元流。输入流与输出流数据流分为输入流(InputStream)和输出流(OutputStream)两类。输入流只能读不能写，而输出流只能写不能读。通常程式中使用输入流读出数据，输出流写入数据，就好像数据流入到程式并从程式中流出。采用数据流使程式的输入输出*作独立与相关设备。输入流可从键盘或档案中获得数据，输出流可向显示器、印表机或档案中传输数据。缓冲流为了提高数据的传输效率，通常使用缓冲流(Buffered Stream)，即为一个流配有一个缓冲区(buffer)，一个缓冲区就是专门用于传输数据的记忆体块。当向一个缓冲流写入数据时，系统不直接传送到外部设备，而是将数据传送到缓冲区。缓冲区自动记录数据，当缓冲区满时，系统将数据全部传送到相应的设备。当从一个缓冲流中读取数据时，系统实际是从缓冲区中读取数据。当缓冲区空时，系统就会从相关设备自动读取数据，并读取尽可能多的数据充满缓冲区。模型描述我们试图从数据**、数据属性和计算类型三个不同方面对数据流的模型进行归纳和描述。实际上，很多文章提出了各种各样的数据流模型，我们并没有包括所有这些模型，只是将其中比较重要的和常见的进行了归纳和分类。形式化以下是对数据流的一个形式化描述。考虑向量α，其属性的域为[1..n](秩为n)，而且向量α在时间t的状态α(t)=<α1(t),...αi(t),...αn(t)>在时刻s，α是0向量，即对于所有i，αi(s)=0。对向量的各个分量的更新是以二元组流的形式出现的。即，第t个更新为(i, ct)，意味着αi(t)=αi(t. 1)+ ct，且对于i.=.i，αi.(t)=αi.(t. 1)。在时刻t发生的查询是针对α(t)的。数据**我们首先考虑在进行数据流计算时，有哪些数据被包含在计算范围之内。关于这个问题，主要有三种不同的模型：分别是数据流模型（data stream model）、滑动视窗模型（sliding window model）和n-of-N模型。数据流模型（data stream model）在数据流模型中，从某个特定时间开始的所有数据都要被纳入计算范围。此时，s=0，即在时刻0，α是0向量。即这是数据流初和普遍的模型。滑动视窗模型（sliding window model，计算近的N个数据）滑动视窗模型是指，从计算时算起，向前追溯的N个数据要被纳入计算范围。此时，s= t. N，即在时刻t. N，α是0向量。换句话说，要计算近的N个数据。由于数据流的数据是不断涌现的，所以直观的看，这种模式就像用一个不变的视窗，数据随时间的推移经过视窗，出现视窗内的数据就是被计算的数据**。M. Datar等[91]首先提出这一模式，随后得到了广泛回响[92]。 n-of-N模型(计算近的n个数据，其中0<n≤ N)文献[93]提出的这种模型建立在滑动视窗模型的基础之上，比滑动视窗模型更为灵活：被纳入计算范围的是从计算时算起，向前追溯的n个数据。此时，s= t. n，即在时刻t. n，α是0向量。注意，其中n≤ N，而且是可以随查询要求变化的。而在滑动视窗模型中，n= N而且是固定不变的。对于数据流处理系统来说，要能够回答所有长度小于等于N的滑动视窗问题。数据属性数据本身的特征：时间序列（time series model）数据按照其属性(实际上就是时间)的顺序前来。在这种情况下，i= t，即一个t时刻的更新为(t, ct)。此时对α的更新*作为αt(t)= ct，且对于i.=.t，αi.(t)=αi.(t. 1)。这种模型适用于时序数据，如某特定IP的传出的数据，或股票的定期更新数据等。收款机模型（cash register model）同一属性的数据相加，数据为正。在这种模型中，ct>=0。这意味着对于所有的i和t来说，αi(t)总是不小于零，而且是递增的。实际上，这种模型被认为是常用的，例如可以用于对收款机（收款机模型由此得名），各个IP的网路传输量，手机用户的通话时长的监控等等。十字转门模型（turnstile model）同一属性的数据相加，数据为正或负。在这种模型中，ct可以大于0也可以小于0。这是通用的模型。S. Muthukrishnan[89]称其为十字转门模型起因于这种模型的功能就象捷运站的十字转门，可以用来计算有多少人到达和离开，从而得出捷运中的人数。计算类型对数据流数据的计算可以分为两类：基本计算和复杂计算。基本计算主要包括对点查询、范围查询和内积查询这三种查询的计算。复杂计算包括对分位数的计算、频繁项的计算以及数据挖掘等。点查询（Point query）返回αi(t)的值。范围查询（Range query）对于范围查询Q(f, t)，返回 t.αi(t) i=f内积（Inner product）对于向量β，α与β的内积α.β=Σni=1αi(t)βi分位数（Quantile）给定一个序号r，返回值v，并确保v在α中的真实排序r.符合以下要求： r.εN≤ r.≤ r+εN其中，ε是精度，N=Σni=1αi(t)。 G. S. Manku等[94]提供了对分位数进行一遍扫描进行近似估计的框架结构，将数据**看成树的节点，这些节点拥有不同的权重（如节点中包含的数据个数）。认为所有的分位数的估计算法都可以被认为由三个对节点的*作组成产生新节点（NEW）、合并（COLLAPSE）和输出（OUTPUT）。不同的策略构成了不同类型的树。这个框架结构成为后来很多分位数估计算法的基础。频繁项（Frequent items）有时也称Heavy hitters，即找出在数据流中频繁出现的项。在这种计算中，实际上令ct=1。这样，αi(t)中保存了截至t时刻，维值等于i的数据到达的频率。对这些数据的查询又可分为两种：找出头k个频繁出现的项找出所有出现频率大于1/k的项对频率项的研究主要集中在后一种计算[95]。挖掘对数据流数据进行挖掘涉及更复杂的计算。对这方面的研究包括：多维分析[96]，分类分析[97, 98]，聚类分析[99–102]，以及其他one-pass算法[103]。相关思路简介数据流处理过程中的主要难点在于如何将存储数据所花费的空间控制在一定范围之内。查询回响时间问题虽然也很重要，但相对容易解决。作为研究领域的一个热点，数据流处理问题得到了广泛的研究，出现了很多算法。解决数据流庞大的数据量与有限的存储空间之间的矛盾的一个思路是使用采样，另一个思路是，构造一个小的、能提供近似结果的数据结构存放压缩的数据流数据，这个结构能存放在存储器中。略图（Sketch）、直方图（histogram）和小波（wavelet）实际上就都是这样的数据结构中重要的三种。以上方法实际上大都已用于传统资料库领域，问题在于如何将它们套用于数据流的特殊环境。随机采样随机采样（Random sampling）可以通过抽取少量样本来捕捉数据**的基本特性。一个很常见的简单方法就是一致性采样（uniform sample）。作为一个备选的采样方法分层采样（strati.ed sampling）可以减少数据的不均匀分布所带来的误差。不过，对于复杂的分析，普通的采样算法还是需要太大的空间。对于数据流的一些特殊计算，已经出现了一些有趣的采样算法。粘采样（Sticky sampling）[95]用于频繁项（frequent items）的计算。粘采样使用的方法是，在记忆体中存放二元组(i,f)所构成的**S，对于每到来的一个数据，如果其键i已经存在于S,则对应的f加1；否则，以1 r的机率进行采样，如果该项被选中，在S中增加一组（i,1）；每过一段时间，对S中的组进行一遍扫描，对其中的值进行更新。然后增加r的值；结束（或用户要求结果）时，输出所有f.(s-e)N的组。 P. Gibbons提出的distinct sampling[104]用于distinct counting，即找出数据流中不同值的个数。它使用哈希（hash）函式对每一个到来的不同值以2.(i+1)的机率映射到级别i上；如果i≥记忆体级别L（L的初始值为0），将其加入记忆体，否则抛弃；记忆体满时，将记忆体中级别为L的值删除，并将L加1；终对distinct count的估计为记忆体中不同的值乘以2L。distinct counting是资料库处理中的一个老问题，这种算法的优点是，通过设定合适的参数，可套用于带谓词的查询（即对数据流的一个子集进行distinct counting）。采样算法的缺点是：它们对异常数据不够敏感。而且，即使它们可以很好的套用于普通的数据流模型，但如果要用于滑动视窗模型（sliding window model）[91]或n-of-N模型[93]，还需要进行较大的修改。构造略图构造略图（sketching）是指使用随机映射（Random projections）将数据流投射在一个小的存储空间内作为整个数据流的概要，这个小空间存储的概要数据称为略图，可用于近似回答特定的查询。不同的略图可用于对数据流的不同Lp范数的估算，进而这些Lp范数可用于回答其它类型的查询。如L0范数可用于估算数据流的不同值(distinct count)；L1范数可用于计算分位数（quantile）和频繁项（frequent items）；L2范数可用于估算自连线的长度等等。略图的概念早由N. Alon在[105]中提出，从此不断涌现出各种略图及其构造算法。 N. Alon在[105]中提出的随机略图构造（randomized steching）可以用于对不同Lp范数的估算，多需要O(n 1. lg n)的空间。该文更重要的贡献在于，它还可以以O(log n+ log t)的空间需求估算L2。它的主要思路是，使用哈希函式，将数据属性的域D中的每一个元素一致地随机映射到zi∈{.1+ 1}上，令随机变数X=.iαizi，X2就可作为对L2范数的估计。 p1 S. Guha等[88]提出的分位数略图(quantile sketch)保持一组形如（vi,gi,Δi）的数据结构，rmax(vi)和rmin(vi)分别是vi可能的排位的大和小值。对于i>j满足： vi>vj gi= rmin(vi). rmin(vi. 1)Δi= rmax(vi). rmin(vi)随着数据的到来，对此略图进行相应的更新*作，使估算保持在一定的精度之内。X. Lin等[93]对于这个问题做出了更形式化的描述。若令AS为一个从[1..n]中提取的随机**，每一个元素被提取的机率为1/2。A. Gilbert等[106]构造若干个AS，将每个**中元素值的和称为随机和（random sum）。多个随机和构成一个略图。对αi的估算为 2E(||AS|||αi∈ AS).||A||，其中||A||为数据流中所有数的和。因此，这种略图可用于估算点查询的结果。使用多个这样的略图，可用于估算范围查询、分位数查询等。略图技术实际上是空间和精度相权衡的结果。为保证点查询结果的误差小于εN，上述略图需要的空间通常是以ε.2作为系数的。与此相比较，G. Cormode等提出的计数-小略图（Count-Min Sketch）[19]只需要ε.1系数的空间。其思路也比较简单，使用若干个哈希函式将分别数据流投射到多个小的略图上，回答点查询时，每个略图分别作答，并选择值小的作为答案。以点查询为基础，计数-小略图可以用于其它各种查询和复杂计算。计数-小略图并不计算Lp范数，而是直接计算出点查询的结果，这是它的时空效率比其它略图高的原因之一。直方图直方图（histogram）有两个含义：一个是普通意义上的直方图，是一种用于显示近似统计的视觉手段；另外，它还是一种捕捉数据的近似分布的数据结构/方法。作为后者出现时时，直方图是这样构造的：将数据按其属性分到多个不相交的子集(称为桶)并用某种统一的方式近似表示桶中的值[107]。直方图直方图方法主要用于信号处理、统计、图像处理、计算机视觉和资料库。在资料库领域，直方图原先主要用于选择性估计（selectivity estimation），用于选择查询佳化和近似查询处理。直方图是一种简单、灵活的近似处理方法，同时也是有效的一种。只要解决好数据更新问题，就可以将原有的直方图运用到数据流处理中。这类根据新的数据自动调节的直方图被称为动态（或自适应/自调节）直方图。 L. Fu等[108]提出的直方图主要用于中值函式（Median）和其他分位数函式的计算，可用于近似计算，也可用于精确查询。它通过确定性分桶（Deterministic Bucketing）和随机分桶（Randomized Bucketing）技术，构造多个不同精度的桶（buckets），然后将输入数据逐级分到这些桶中，从而完成了动态直方图的构造。由于将静态直方图直接套用到数据流处理比较困难。S. Guha等[88]虽然可以动态地构造近优的V-optimal直方图，但只能套用于时间序列模型（time series model）下的数据流。一个常采用的方法是将整个算法分为两步：首先构造一个数据流数据的略图；然后从这个略图中构造合适的直方图。这种方法可以利用略图数据易于更新的特点，又能实现直方图的动态化。N. Thaper等[109]首先是构造一个近似反映数据流数据的略图，利用略图的优良的更新性能来实现数据的更新，然后从这个略图中导出一个直方图来实现对数据流数据的近似。由于从略图中导出佳的直方图是一个NP-hard问题，作者提供了一个启发式算法(贪婪算法)来搜寻一个较佳的直方图。 A. Gilbert等[110]构造了一个概要的数据结构，该结构使用一组与文献[106]中类似的随机和结构来保存不同粒度级别的dyadic interval的值。随后，将不同粒度级别的dyadic interval（[111]）从大到小地加入所要构造的直方图中，这样就将近似误差降到低（求精）。 A. Gilbert等在文献[112]中主要考虑的是如何降低对数据流中每个输入数据的处理复杂度。他们先将输入数据转化为小波系数（利用小波系数是信号与基向量的内积），然后采用了与文献[110]类似的dyadic interval处理方法。略图与直方图有很密切的联系，从某种方面来说，可以认为直方图是略图的一种特殊情况。小波变换小波变换（wavelet transformation）常用于生成数据的概要信息。这是因为通常小波系数只有很少一部分是重要的，大部分系数或者值很小，或者本身不重要。所以，如果忽略数据经过小波变换后生成的不重要系数，就可以使用很少的空间完成对原数据的近似。 Y. Matias等首先针对数据流数据构造一个直方图，使用小波对其进行模拟。随后保留若干重要的小波系数实现对直方图的模拟。当新的数据出现时，通过对这些小波系数进行更新以实现直方图的更新。文献提出的实际上是一种直方图方法，只不过使用了小波变换。A. Gilbert等指出小波变换可以认为是信号与一组正交的长度为N的向量**所作的内积，因此构造一组数据流数据的略图，由于略图可以相当容易和准确地计算信号与一组向量的内积，则可以从略图计算出小波系数，从而用于点查询和范围查询的估计。新动向研究人员对数据流处理的研究不断深入，我们认为出现了以下新的动向：未来略图引入更多多的的统计计技技术来构造略图 G. Cormode等主要处理对频繁项的计算。它以前人的主项（majority item）算法([116, 117])为基础，使用了error-correcting codes来处理问题。如数据的每一位设立一个计数器，再根据这些计数器的计数结果来推断频繁项**。 Y. Tao等[118]实质上是对Proba**listic counting(已经广泛地用于资料库领域的distinct counting)在数据流处理的一种套用。扩展略图对略图进行扩展，以处理更更复复杂的查询询需需求 Lin等在文献[93]中构造了一个复杂的略图体系，可用于滑动视窗模型（sliding window model）和n-of-N模型的分位数估计，这是简单略图难以做到的。在滑动视窗模型下，文献[93]将数据按时间顺序分为多个桶，在每个桶中建立略图（精度比要求的高），然后查询时再将这些略图合并（merge），其中对后一个桶可能需要进行提升（lift）*作。维护时只删除过期的桶，增加新的桶。在n-of-N model中，文献[93]将数据按EH Partitioning技术分为多个大小不同的桶，在每个桶中建立略图（精度比要求的高），然后查询时再将其中一部分略图合并，可以保证要求的精度，其中对后一个同可能需要进行提升。结合时空数据与时空数据处理的进一步结合： J. Sun等在文献[120]中虽然主要针对时空数据的历史查询和预测处理。然而，文章却强调时空数据是以数据流的形式出现的，处理中也更着重于时空数据的更新性能。 Y. Tao等[118]使用数据流的方法处理时空数据，通过对动态的时空数据构造略图，用于分辨物体是否在多个区域间运动或静止的状态，并估算其数量。而这种问题在原先的时空处理中是很难解决的。小说流派网路小说数据流是新兴流派，意思是小说主角实力数据化，和网游属性栏一样的数据显示。

二、视频监控硬盘录像机更换硬盘存储器方法教程

一套已经用了将近5年的视频监控系统,突然开机不显示了,没了之前的开机提示音了,就只会通电,没有其他的情况,经维修发现是主板芯片烧了,因此只好另外采购一套系统,再把原来的硬盘装上去,这里就给大家分享一下视频监控硬盘录像机更换硬盘存储器方法教程.

为了可以读取到原来的数据,建议选购将近型号的设备,

将原来硬盘录像机左右两侧的螺丝分别旋下来,

拆下硬盘的数据线和电源线,

再拆下主机背面的4个固定螺丝,

这样硬盘就可以取下来了,安装到新的主机上,

放好位置后,翻到背面,对上4个螺孔,旋上螺丝,

将电源线和数据线连接好,

这就可以开机试了,第一次开机时会有提示向导,现在的版本比较原来的方便多了,通过扫描二维码就可以安装相应的软件了,

在软件安装好之后,使用手机上的应用软件,扫描机器的SN二维码图,就可以自动添加设备到管理,浏览中了,

之前还需要在路由器上进行专门的设置,还要电信那边开放光猫听服务,新版本完全不需要这些了,只能安装好应用,添加设备,就可以远程监视了. 1:14 2017/5/6

三、远程监控详细资料大全

远程监控从字面上理解可以分为“监”和“控”两部分，其中“监”是指通过网路获得信息为主：而“控”是指通过网路对远程计算机进行*作的方法，对远程计算机进行重新启动、关机等*作，还包括对远端计算机进行日常设定的工作。

基本介绍中文名：远程监控组成：“监”和“控”两部分工作：对远端计算机进行日常*作领域划分：计算机领域、视频监控领域两个领域,计算机领域,视频监控领域,工作原理,子站采集端,采集端组成,采集端功能,监控中心,组成和功能,监控现状,系统功能,系统优点,技术问题,系统发展,两个领域远程监控远程监控这个词有两重意思。计算机领域和视频监控领域都有远程监控的说法，但意义完全不一样。计算机领域远程监控从字面上理解可以分为“监”和“控”两部分，其中“监”也就是远程监视，可以分为两大部分：一是对环境的监视，二是对计算机系统及网路设备的监视，不管怎么说远程监视就是指通过网路获得信息为主：而“控”也就是指远程控制，是指通过网路对远程计算机进行*作的方法，它不仅仅包括对远程计算机进行重新启动、关机等*作、还包括对远程计算机进行日常设定的工作。通过硬体的配合还可以实现远程开机的功能。总而言之，要想完全控制远端的计算机，首先应该能够对其监视，也就是可以看到该计算机的萤幕显示，然后才谈得上“控制”，远程控制必须做到“监”、“控”结合，因此我们通常说的远程监控一般泛指就是这种远程控制。除此之外，对于网路管理员来说，远程控制还包括对网路设备的控制，现今大多数网路设备都支持Tel，甚至Web方式对其进行远程管理，这也是一种远程控制的方法。视频监控领域视频监控领域中的远程监控是指把视频监控设备接入网际网路，以实现通过计算机或手机等终端设备观看远程的视频图像。接入方式有多种，如连线埠映射，通过ip地址访问；通过域名解析方式观看。工作原理对于视频监控领域来说，一般工作原理如下。首先，将来自各摄像机的视频信号输入视频采集终端，然后，视频采集终端通过图像压缩算法，将视频信号转换为25帧/秒的数字图像，并将经压缩后的音视频数据流通过网路转发到视频监控中心；后，视频监控中心的监控计算机对收到的来自前端的图像和声音数据，进行解压缩并通过计算机显示萤幕和音效卡进行实时监控。当发生报警时，报警解码器将联动报警输出设备，并通过报警解码器将报警信号输入视频终端，并传输到监控中心，监控中心的视频伺服器接收到报警信号后立即发出声音信号、记录报警**、进行硬碟录像等报警*作。摄像机控制、布防等控制信号是下行传输的，由监控中心监控主机发出各种控制信号，视频采集终端收到控制信号后，通过云台镜头控制器或直接控制摄像机，或完成布防*作。系统采用硬体压缩软体解压技术，在相关科室的计算机终端上增加相应的软体或者通过Windows自带的IE浏览器的Web功能就可实现远程视频监控功能，设定成视频监控工作站。网路通信采用TCP/IP和网路组播(Multicast)技术，大限度地利用了网路的传输性能和网路频宽，避免网路的拥塞。远程视频监控系统由系统子站和调度中心主站组成。系统子站设定在下属的煤矿、发电厂和变电站等需要监控的场所，主要由视频采集终端、计算机网路连线设备、摄像机、报警探头、报警解码器等组成，负责音视频信号和报警信号的采集和数位化，并利用现有的计算机网路实现站点之间与调度中心的视频/报警信息传输及远程监控。监控调度中心主站主要由视频管理伺服器、浏览器、计算机网路连线设备、远程监控和视频伺服器软体等组成。监控中心可以通过网路管理多个采集站，能切换并控制至任何一个监控点现场，实施总体监控，从而实现对整个地区进行视频监控。它通过网路，不但可以实时浏览各个监控点现场的视频，还可以远程访问采集站的录像档案，并**录像档案，还可以在监控中心进行录像。远程视频监控系统一般能适应不同的通讯网路，可以是乙太网、E1、无线区域网路或其他传输通道。子站采集端视频采集终端提供视频和音频输入/输出接口，分别连线到摄像机视频输出或多画面处理器、拾音器及音箱；一般提供几种接口与监控终端及伺服器联接；它主要实现视音频信号的采集和压缩，并将压缩好的数据通过网路传送到监控中心。采集端组成 1．视频采集终端 2．画面分割器 3．一体化摄像机或其他各种摄像机 4．各种报警感测器和报警设备 5．报警解码器 6．云台及云台解码器采集端功能 1．图像采集、录制及远传； 2．采集各种报警信号，实现报警联动并传给集控站监控中心； 3．控制云台和镜头的动作； 4．控制矩阵切换器切换视频图像； 5．接受远方控制命令，控制云台转动、镜头运动和报警设备输出监控中心监控中心，由中心图像处理伺服器、图像监视终端、图像处理软体、远程视频监控/联网报警软体组成，用于接收现场传输来的图像、及报警信号，提示保全人员采取各类措施，同时可以实现远程控制矩阵、摄像机、云台和远距离联动控制，也可行远程录像档案**、图像检索和数码录像放像等*作。中心图像管理伺服器用于管理图像的传输、存储，在管理伺服器上安装有系统管理资料库和系统管理软体及监控终端模组等软体，起著对整个系统的管理和服务作用。监控终端监控功能 1．从采集站接收视频数字数据，进行实时回放及转发； 2．可以实现远程控制； 3．接收各采集站传来的报警信号，并传给管理伺服器； 4．配置及存储各采集工作站的配置信息，管理系统用户和用户许可权； 5．控制台可以向任何一个采集站发出控制命令，如云台动作、图像切换等； 6．为控制台计算机或调度中心各客户端提供历史录像的查询和播放； 7．在萤幕墙上显示任何一个摄像机的图像，并可以进行切换； 8．为网路用户提供WEB视频流服务； 9．与系统内具备功能的计算机实现会议电视功能电缆布线的抗干扰设计根据系统对电缆阻燃、防火的特殊要求，一般需全部选用阻燃禁止电缆，同时可对高压电磁场起到良好的禁止作用。另外，户外埋地电缆加套热镀锌管，电缆沟内普通电缆加套PVC管，室内电缆加套PVC槽,使系统完全可以在高电压等级的环境中消除高电场、高磁场等一些干扰因素对系统造成的影响。组成和功能系统一般由前端设备、图像处理和传输设备、网路客户端三个部分组成。前端设备由摄像机、云台、解码器、防护罩、支架、报警探测器、拾音器等组成，负责视频信号、音频信号和报警信号的采集；系统中的图像处理和传输设备为网路视频伺服器，它负责把音、视频信号和报警信号通过区域网路或广域网传输到远程客户端，同时可以接收客户端传送的云台控制信号和音频对讲信号；网路客户端是指需要进行网路远程监控的用户终端。它由计算机（普通办公计算机或笔记本电脑）和客户端软体构成。客户端主要负责图像显示、录像、回放和云台控制等功能。客户端进行远程监控时，需要输入用户名和密码，进行身份验证，通过认证后即可实现远程监控。监控现状系统功能远程监控系统有两种类型，一种是生产现场没有现场监控系统，而是将数据采集后直接送到远程计算机进行处理，这种远程监控与一般的现场监控没有多大的区别，只是数据传输距离比现场监控系统要远，其它部分则和现场监控系统相同；另一种是现场监控与远程监控并存。一般是采用现场汇流排技术将分布于各个设备的感测器、监控设备等连线起来，这样就从分立单元阶段进入了集成单元阶段，然后各个管理站点的服务再用区域网路连线起来，这样就形成了企业内部网(Intra)。由于建立了基本的网路信息基础结构，设备监测、维护技术进入了集成系统阶段，在一个单位的内部基本上实现了资源和信息共享。远程控制所实现的功能如下：采集与处理功能：主要是对生产过程的各种模拟或数字量进行检测、采样和必要的预处理，并且以一定的形式输出，如列印报表、显示屏和电视等，为生产人员提供详实的数据，帮助他们进行分析，以便了解生产情况；监督功能：将检测到的实时数据、还有生产人员在生产过程中发出的指令和输入的数据进行分析、归纳、整理、计算等二次加工，并分别作为实时数据和历史数据加以存储；管理功能：利用己有的有效数据、图像、报表等对工况进行分析、故障诊断、险情预测，并以声光电的形式对故障和突发**报警；控制功能：在检测的基础上进行信息加工，根据事先决定的控制策略形成控制输出，直接作用于生产过程。基于B/S和C/S的远程监控系统是以网路作为通信平台的监控系统，以HTTP技术为基础，具有简单、高效等优点，已经成为信息网路的一种普遍套用的信息互动平台[2]。利用网路通信技术Socket技术、数据采集技术及面向对象等软体技术实现了整个系统的系统管理、用户管理、设备监控数据显示及报警等模组，其优点是充分利用了现有的区域网路资源和广域网资源，以高的性能价格比，以信息的实时获取和实时控制为中心，实现信息、资源及任务的综合共享和全局一体化的管理。例如：监控系统将设备运行情况提供给伺服器，并由伺服器传送到各个节点客户机，工作人员在客户机端(一般为远端)便可了解整个系统的工作状态及运行情况。简单地讲，对企业来说就是充分利用现代技术解决实时数据的采集、传输和处理以及进行实时控制的问题。正是它的这些优点使得它得以飞速发展。随着网路技术的不断发展，远程监控将更多地套用在企业生产过程的管理中，专业技术人员可以通过网际网路来管理和维护生产过程，佳化生产工艺，提高设备的可用率，终降低生产成本，提高效益。系统优点借助于远程监控可以将企业内部的信息网(Intra)与控制网有效地连线起来，实现对生产、运营情况的随时掌握，把生产运营状况同企业的经营管理策略紧密结合，从而实现企业的综合自动化，可以建立网路范围内的监控数据和网上知识资源库。通过远程监控可以实现现场运行数据的实时采集和快速集中，获得现场监控数据，为远程故障诊断技术提供了物质基础；通过远程监控，技术人员无须亲临现场或恶劣的环境就可以监视并控制生产系统和现场设备的运行状态及各种参数，使受过专业训练的人员。虚拟。地出现在许多监控地点，方便地利用本地丰富的软硬体资源对远程对象进行高级过程控制，以维护设备的正常运营，从而减少值守工作人员，终实现远端的无人或少人值守，达到减员增效的目的[3]。越来越多的企业集团呈跨地域的发展趋势，利用网路技术实现远程监控，对企业降低生产成本，提高劳动生产率，提高企业产品的科技含量，以及增强企业的综合竞争实力等方面都具有十分重要的意义。技术问题随着网路技术的飞速发展和监控范围的扩大，监控系统由过去的单机监控过渡到网路监控，但还存在着一些问题。首先，网路通信技术不足的问题。网路通信技术是远程监控技术中为关键的技术，然而，网路通信一般简单采用Socket技术，甚至FTP或Email等，这些技术无论在传输的数据量、编程的灵活性还是安全性方面都有很大的欠缺，特别是对于现场多个端点的数据采集，会大大增加编程的复杂度，不能满足远程监控技术对网路通信的需求；其次，网路通信中多种结构并存的问题。远程监控系统结构大多比较复杂，分布距离远，而且还存在着不同区域网路，不同平台，甚至在同一区域网路中的*作平台以及程式语言也可能有不同的问题，这就要求集成网路中的不同平台，实现相互之间的通信，而这些问题采用传统方法是难以解决的。系统发展视频监控系统发展了短短二十几年时间，模拟监控火热，数字监控方兴未艾的网路视频监控，发生了翻天覆地变化。在IP技术逐步统一全球今天，我们有必要重新认识视频监控系统发展历史。从技术角度出发，视频监控系统发展划分为第一代模拟视频监控系统(CCTV)，到第二代基于“PC+多媒体卡”数字视频监控系统(DVR)，到第三代完全基于IP网路视频监控系统(IPVS)。第一代视频监控：传统模拟闭路视监控系统(CCTV)：依赖摄像机、缆、录像机和监视器等专用设备。例如，摄像机通过专用同轴缆输出视频信号。缆连线到专用模拟视频设备，如视频画面分割器、矩阵、切换器、卡带式录像机(VCR)及视频监视器等。模拟CCTV存在大量局限性：有限监控能力只支持本地监控，受到模拟视频缆传输长度和缆放大器限制。限可扩展性系统通常受到视频画面分割器、矩阵和切换器输入容量限制。录像负重用户必须从录像机中取出或更换新录像带保存，且录像带易于丢失、被盗或无意中被擦除。录像质量不高录像是主要限制因素。录像质量随拷贝数量增加而降低。第二代视频监控：当前“模拟-数字”监控系统(DVR)：视频监控“模拟-数字”监控系统是以数字硬碟录像机DVR为核心半模拟-半数字方案，从摄像机到DVR仍采用同轴缆输出视频信号，通过DVR同时支持录像和回放，并可支持有限IP网路访问，由于DVR产品五花八门，没有标准，所以这一代系统是非标准封闭系统，DVR系统仍存在大量局限：复杂布线“模拟-数字”方案仍需要在每个摄像机上安装单独视频缆，导致布线复杂性。有限可扩展性DVR典型限制是一次多只能扩展16个摄像机。有限可管理性您需要外部伺服器和管理软体来控制多个DVR或监控点。有限远程监视/控制能力您不能从任意客户机访问任意摄像机。您只能通过DVR间接访问摄像机。磁碟发生故障风险与RAID冗余和磁带相比，“模拟-数字”方案录像没有保护，易于丢失。第三代视频监控：未来完全IP视频监控系统IPVS：全IP视频监控系统与前面两种方案相比存在显著区别。该系统优势是摄像机内置Web伺服器，并直接提供乙太网连线埠。这些摄像机生成JPEG或MPEG4数据档案，可供任何经授权客户机从网路中任何位置访问、监视、记录并列印，而不是生成连续模拟视频信号形式图像。