PDF《新一代视频业务安全解决方案》

(2)在线:获得待判别的目标图像, 提取特征数据, 并依据上述特征 值, 利用机器学习算法判断目标图像 非法的概率, 概率大于一定阈值则判 定为非法[4-5] . 不良图片的判别准确率一方面依靠机器学习算法的选型和实现, 另 一方面则有赖于离线阶段样本的收 集.此外, 图形处理器 (GPU) 运算技 术的运用将大幅提升离线和在线运 算的效率. 视频文件的鉴别可通过抽帧方式转化为图片, 再利用上述图片判别 方式进行判别.

4 视频业务安全未来研究 展望 随着视频业务的不断发展, 视频 业务安全研究的新课题也将不断涌 现.从目前来看, 未来视频业务安全 研究将有如下两方面的重要内容. 一方面是对视频内容安全实时监测控制技术的研究.现有方案将 视频文件抽帧得到图片实施判断, 如 果图片采样率过高会消耗大量计算 资源,采样率过低则判断精确度下降.随着人工智能和机器学习的发 展, 未来针对视频画面、 声音的具体 内容以及前后帧关联, 需要提出更加 高效的实时算法去判断视频内容合 法性, 从根本上解决流媒体内容安全 问题, 确保视频平台作为社会传媒核 心系统的安全性, 避免造成不良的社 会和政治影响. 另一方面是大数据分析平台在视频业务安全中的应用研究.将网 络设备、 主机、 应用、 安全设备等产生 的所有网络行为数据 (含日志、 流量 等) 进行收集, 结合内部基础信息, 包 括资产、 组织架构、 人员账号、 安全域 等上下文信息, 构建核心大数据分析 算法模型, 对复杂的网络攻击事件和 内部违规行为进行深度挖掘, 考量网 络、 主机、 应用、 数据等各条安全防护 措施[6] , 度........