楊 杰,鄧旭冉,翟春婕

(1.江蘇省公安廳， 江蘇南京 210024； 2.新疆生產(chǎn)建設(shè)兵團(tuán)公安局， 新疆烏魯木齊 830002；3.南京森林警察學(xué)院信息技術(shù)學(xué)院， 江蘇南京 210023)

0 引言

近年來，隨著公安大數(shù)據(jù)戰(zhàn)略的全面實(shí)施，公安大數(shù)據(jù)分析應(yīng)用進(jìn)入高速發(fā)展期，迅速成為學(xué)術(shù)界、產(chǎn)業(yè)界研究的新熱點(diǎn)，提出了一系列技術(shù)實(shí)現(xiàn)方法，在服務(wù)公安工作中發(fā)揮了重要作用[1-3]。但隨著公安實(shí)戰(zhàn)應(yīng)用的不斷深入和數(shù)據(jù)增長的不斷提速，現(xiàn)有分析方法的瓶頸越來越為明顯：①現(xiàn)有方法大多基于存儲(chǔ)在同一數(shù)據(jù)中心甚至是單一Hadoop集群的數(shù)據(jù)開展分析[4-5]，但當(dāng)前公安數(shù)據(jù)資源大多按屬地或業(yè)務(wù)歸屬分散存儲(chǔ)在市、縣級(jí)公安機(jī)關(guān)或職能警種的數(shù)據(jù)中心，若將數(shù)據(jù)向統(tǒng)一的公安大數(shù)據(jù)中心物理集中后再開展分析，抽取傳輸時(shí)間、云平臺(tái)資源消耗等都存在極大成本，且部分警種的數(shù)據(jù)資源因政策限制只能存儲(chǔ)在本警種數(shù)據(jù)中心，不能向統(tǒng)一的公安大數(shù)據(jù)中心開放匯聚。②現(xiàn)有方法大多基于全量數(shù)據(jù)開展分析[6-7]，但當(dāng)前的公安數(shù)據(jù)資源不僅總量是大數(shù)據(jù)，周期內(nèi)的增量也具有一定規(guī)模的數(shù)據(jù)量，若每個(gè)更新周期后總是基于新的全量數(shù)據(jù)開展分析，其運(yùn)算時(shí)間會(huì)隨著更新周期的增加而急速增長，很容易導(dǎo)致分析結(jié)果因不符合時(shí)效要求而失去實(shí)戰(zhàn)價(jià)值。上述兩個(gè)問題，使得現(xiàn)有分析方法要么在多數(shù)據(jù)中心分布式數(shù)據(jù)存儲(chǔ)環(huán)境下無法有效執(zhí)行，要么運(yùn)算時(shí)間過長無法滿足實(shí)戰(zhàn)應(yīng)用的高時(shí)效要求。李偉等人[8]的研究也表明，將12億條“電子警察”抓拍車牌數(shù)據(jù)從不同的Oracle數(shù)據(jù)庫抽取集中到統(tǒng)一的HDFS存儲(chǔ)環(huán)境，耗時(shí)長達(dá)3小時(shí)10分鐘；在10臺(tái)PC服務(wù)器組成的Hadoop集群中以40個(gè)初始Map執(zhí)行套牌車分析模型，完成上述12億條數(shù)據(jù)的計(jì)算耗時(shí)長達(dá)50分鐘。

圖1 公安大數(shù)據(jù)多數(shù)據(jù)中心跨節(jié)點(diǎn)分布式分析技術(shù)框架

1 多數(shù)據(jù)中心跨節(jié)點(diǎn)分布式分析技術(shù)框架

上述典型問題，國內(nèi)各大運(yùn)營商和互聯(lián)網(wǎng)企業(yè)在其技術(shù)發(fā)展過程中也都先后經(jīng)歷過，到現(xiàn)階段都走向了以云計(jì)算為基礎(chǔ)的多數(shù)據(jù)中心分布式協(xié)同的技術(shù)路線[9-10]。本文針對(duì)公安大數(shù)據(jù)應(yīng)用需要，研究提出一種多數(shù)據(jù)中心跨節(jié)點(diǎn)協(xié)同的分布式分析技術(shù)框架，支持公安大數(shù)據(jù)在不需要物理集中、多節(jié)點(diǎn)分區(qū)分域存儲(chǔ)條件下，實(shí)現(xiàn)跨多個(gè)數(shù)據(jù)中心的分布式協(xié)同分析、多節(jié)點(diǎn)并行分析和可持續(xù)增量分析。其主要思想是：借鑒邊緣計(jì)算模式，將下級(jí)公安數(shù)據(jù)中心或橫向警種數(shù)據(jù)中心作為邊緣節(jié)點(diǎn)，并指定一個(gè)匯聚節(jié)點(diǎn)。實(shí)現(xiàn)過程中，將公安大數(shù)據(jù)分析的具體算法拆解為按序先后執(zhí)行的若干步驟：首先，在各邊緣節(jié)點(diǎn)完成節(jié)點(diǎn)本地計(jì)算步驟，得到局部結(jié)果集，不同邊緣節(jié)點(diǎn)之間執(zhí)行相同的算法步驟，形成并行計(jì)算；然后，將各邊緣節(jié)點(diǎn)局部結(jié)果集傳送到指定的匯聚節(jié)點(diǎn)，并在匯聚節(jié)點(diǎn)完成全局計(jì)算步驟，得到全局結(jié)果集。更進(jìn)一步，在每個(gè)增量周期末，對(duì)新增的數(shù)據(jù)按上述策略在各邊緣節(jié)點(diǎn)并行完成局部計(jì)算，計(jì)算結(jié)果在與本節(jié)點(diǎn)已有局部結(jié)果集合并的同時(shí)傳送到匯聚節(jié)點(diǎn)，然后在匯聚節(jié)點(diǎn)完成已有全局結(jié)果集與各邊緣節(jié)點(diǎn)增量計(jì)算結(jié)果集的全局合并，從而同步實(shí)現(xiàn)局部結(jié)果集和全局結(jié)果集的可持續(xù)增量更新。上述過程重復(fù)迭代，就實(shí)現(xiàn)了公安大數(shù)據(jù)分析的多數(shù)據(jù)中心跨節(jié)點(diǎn)分布、并行、增量計(jì)算，既破解了現(xiàn)有分析方法在公安數(shù)據(jù)資源多數(shù)據(jù)中心跨節(jié)點(diǎn)分布式存儲(chǔ)條件下無法執(zhí)行的問題，又破解了每次分析運(yùn)算只能基于全量數(shù)據(jù)開展的困局，極大提高了計(jì)算效率和結(jié)果準(zhǔn)確性，其基本流程如圖1所示。

2 公安大數(shù)據(jù)分布式分析的應(yīng)用實(shí)現(xiàn)

基于上述多數(shù)據(jù)中心跨節(jié)點(diǎn)分布式分析技術(shù)框架，本文進(jìn)一步研究提出了公安大數(shù)據(jù)分析方法的分布式并行增量計(jì)算實(shí)現(xiàn)方法，主要采用較為常見的規(guī)則統(tǒng)計(jì)類分析和算法建模類分析。

2.1 規(guī)則統(tǒng)計(jì)類分析應(yīng)用的分布式并行增量計(jì)算

規(guī)則統(tǒng)計(jì)類分析應(yīng)用，主要是以各類業(yè)務(wù)規(guī)則為判斷條件，進(jìn)行條件比較、算術(shù)計(jì)算和計(jì)數(shù)統(tǒng)計(jì)等運(yùn)算，以應(yīng)用極為廣泛的軌跡伴隨分析為例，其實(shí)現(xiàn)過程如下：

(1)將確定的伴隨分析運(yùn)算規(guī)則(時(shí)間距離、空間距離、伴隨次數(shù)等約束條件)分發(fā)到每個(gè)邊緣節(jié)點(diǎn)；

(2)在所有邊緣節(jié)點(diǎn)并行完成本地?cái)?shù)據(jù)的伴隨分析，對(duì)符合約束條件的計(jì)算結(jié)果輸出為本節(jié)點(diǎn)局部結(jié)果集；

(3)將各個(gè)邊緣節(jié)點(diǎn)的局部結(jié)果集傳送到指定的匯聚節(jié)點(diǎn)，進(jìn)行局部結(jié)果集的全局合并計(jì)算，得到全局結(jié)果集；

(4)當(dāng)有周期增量數(shù)據(jù)進(jìn)入時(shí)，就對(duì)增量數(shù)據(jù)重復(fù)執(zhí)行上述過程，并在邊緣節(jié)點(diǎn)和匯聚節(jié)點(diǎn)分別完成增量計(jì)算結(jié)果與已有存量結(jié)果集的合并運(yùn)算，從而得到新的邊緣節(jié)點(diǎn)局部結(jié)果集和匯聚節(jié)點(diǎn)全局結(jié)果集。

上述過程整體實(shí)現(xiàn)步驟如下：

Step1 分發(fā)伴隨分析運(yùn)算規(guī)則，給定時(shí)間距離、空間距離、伴隨次數(shù)的閾值組合(t0,d0,c0);

Step2 各邊緣節(jié)點(diǎn)并行完成本地?cái)?shù)據(jù)伴隨分析：

①根據(jù)給定距離公式計(jì)算(tnij,dnij)，n∈(1,…,N)為邊緣節(jié)點(diǎn)序號(hào)；

②判斷是否滿足距離約束條件，若tnij≤t0,dnij≤d0，輸出局部結(jié)果集(〈IDni，IDnj〉，countnij,stdatenij,ltdatenij)；

③判斷是否滿足伴隨次數(shù)約束條件，若countnij≥c0，對(duì)象IDni、IDnj確認(rèn)建立伴隨關(guān)系；

IDni為節(jié)點(diǎn)n中對(duì)象i的唯一標(biāo)識(shí)，countnij為截至ltdatenij對(duì)象IDni、IDnj在節(jié)點(diǎn)n的局部伴隨次數(shù)，stdatenij、ltdatenij分別為對(duì)象IDni、IDnj形成軌跡伴隨的起始時(shí)間、最后時(shí)間，當(dāng)countkij=1時(shí)，stdatekij，ltdatekij分別為兩條軌跡中的較小時(shí)間、較大時(shí)間。

Step3 匯聚節(jié)點(diǎn)完成局部結(jié)果集的合并運(yùn)算：

①各邊緣節(jié)點(diǎn)局部結(jié)果集(〈IDni，IDnj〉，countnij，stdatenij，ltdatenij)傳送到匯聚節(jié)點(diǎn)；

③判斷是否滿足伴隨次數(shù)約束條件，若countij≥c0，對(duì)象IDi、IDj確認(rèn)建立伴隨關(guān)系；

Step4 各邊緣節(jié)點(diǎn)并行完成增量數(shù)據(jù)伴隨分析：

①合并節(jié)點(diǎn)本周期增量數(shù)據(jù)tni≥min(Δstdaten)-t0的存量數(shù)據(jù)；

②執(zhí)行步驟Step2，輸出局部增量結(jié)果集為(〈IDni，IDnj〉，Δcountnij,stdatenij,Δltdatenij)；

③更新countnij=countnij+Δcountnij，ltdatenij=Δltdatenij，輸出新的局部結(jié)果集。

stdatenij為Step2的首次計(jì)算結(jié)果，一旦得出即保持不變，tni為對(duì)象IDni的軌跡發(fā)生時(shí)間，min(Δstdaten)為本增量周期的軌跡發(fā)生最小時(shí)間，這樣，就可以避免因?yàn)檐壽E數(shù)據(jù)跨增量周期而有可能導(dǎo)致的伴隨關(guān)系遺漏。

Step5 匯聚節(jié)點(diǎn)完成局部增量結(jié)果集的合并運(yùn)算：

①各邊緣節(jié)點(diǎn)局部增量結(jié)果集(〈IDni，IDnj〉，Δcountnij，stdatenij，Δltdatenij)傳送到匯聚節(jié)點(diǎn)；

③對(duì)未建立隨便關(guān)系的對(duì)象IDi、IDj，判斷是否滿足伴隨次數(shù)約束條件，若countij≥c0，則確認(rèn)建立伴隨關(guān)系。

2.2 算法建模類分析應(yīng)用的分布式并行增量計(jì)算

算法建模類分析應(yīng)用，主要是基于各類機(jī)器學(xué)習(xí)算法，針對(duì)潛在風(fēng)險(xiǎn)群體監(jiān)測、案事件預(yù)測等新型應(yīng)用需求進(jìn)行建模分析，以挖掘民警常規(guī)工作經(jīng)驗(yàn)無法發(fā)現(xiàn)的高價(jià)值情報(bào)線索。以基于Kmeans算法的潛在風(fēng)險(xiǎn)群體挖掘應(yīng)用為例，其實(shí)現(xiàn)過程如下：

(1) 將每個(gè)邊緣節(jié)點(diǎn)的人員相關(guān)數(shù)據(jù)按標(biāo)準(zhǔn)數(shù)據(jù)結(jié)構(gòu)完成初始化，并任意選擇K條軌跡X1,X2,…,XK作為初始全局聚類中心(即共有K個(gè)類)分發(fā)到參與運(yùn)算的N個(gè)邊緣節(jié)點(diǎn)；

(2)在邊緣節(jié)點(diǎn)n(n∈N)，按照給定的距離計(jì)算公式完成本節(jié)點(diǎn)待聚類數(shù)據(jù)Xnl與K個(gè)初始全局聚類中心的距離運(yùn)算，并根據(jù)計(jì)算結(jié)果將所有待聚類數(shù)據(jù)分配到與其最近的類k輸出為 (k,Xnl)，具體距離計(jì)算公式可根據(jù)具體應(yīng)用需要作針對(duì)性選擇；

(3)在邊緣節(jié)點(diǎn)n，對(duì)距離計(jì)算輸出的(k,Xnl)按照給定的求和計(jì)算公式進(jìn)行合并并輸出為本節(jié)點(diǎn)的局部結(jié)果集(k,〈Nnk,Cnk〉)，Nnk為本節(jié)點(diǎn)劃入局部類k的數(shù)據(jù)數(shù)量，Cnk為局部類k中Xnl的計(jì)算維度值和；

(4)局部結(jié)果集(k,〈Nnk,Cnk〉)傳送到匯聚節(jié)點(diǎn)并完成全局合并，輸出結(jié)果為(k〈Nk,Ck〉)；

(6)當(dāng)有新的周期增量數(shù)據(jù)進(jìn)入時(shí)，就以上一周期所得聚類中心為初始聚類中心，對(duì)每個(gè)邊緣節(jié)點(diǎn)的本周期增量數(shù)據(jù)執(zhí)行步驟(2)～(4)，所得結(jié)果與已有存量(k〈Nk,Ck〉)合并后再執(zhí)行步驟(5)，從而得到新的聚類；

(7)每一周期所得類確定后，根據(jù)類中數(shù)據(jù)所屬人員對(duì)象，生成潛在風(fēng)險(xiǎn)人員群體。上述過程整體算法步驟如下：

Step2 計(jì)算空間距離，確定本輪迭代節(jié)點(diǎn)內(nèi)局部類劃分：

①根據(jù)選定的距離公式分別計(jì)算Xnl與K個(gè)聚類中心X1,X2,…,XK的距離dl1,dl2,…,dlK；

②根據(jù)dl1,dl2,…,dlK的最小值確定Xnl所屬的類k；

③隨機(jī)選擇另一待聚類數(shù)據(jù)X′nl，轉(zhuǎn)step2 ①；

④輸出邊緣節(jié)點(diǎn)n的聚類結(jié)果(k,Xl)；

Step3 邊緣節(jié)點(diǎn)n聚類結(jié)果合并：

①統(tǒng)計(jì)類k的數(shù)據(jù)數(shù)量Nnk；

②根據(jù)

③輸出邊緣節(jié)點(diǎn)n的局部結(jié)果(k,〈Nnk,Cnk〉)，并傳送到匯聚中心；

Step4 各邊緣節(jié)點(diǎn)局部結(jié)果合并：

③輸出全局結(jié)果(k,〈Nk,Ck〉)；

Step5 全局結(jié)果收斂性判斷：

Step6 增量數(shù)據(jù)聚類運(yùn)算：

②合并增量聚類結(jié)果與已有存量聚類結(jié)果Nk=Nk+N′k，Ck=Ck+C′k；

③輸出邊緣節(jié)點(diǎn)n的局部增量聚類結(jié)果(k,〈Nnk,Cnk〉)，并傳送到匯聚中心；

④執(zhí)行Step5，輸出本周期增量聚類全局結(jié)果。

Step7根據(jù)所得類中數(shù)據(jù)所屬人員對(duì)象，生成潛在風(fēng)險(xiǎn)人員群體。

3 實(shí)例驗(yàn)證及性能測試

實(shí)驗(yàn)選取了5個(gè)廣域分布的公安數(shù)據(jù)中心，每個(gè)數(shù)據(jù)中心按標(biāo)準(zhǔn)數(shù)據(jù)結(jié)構(gòu)提供20 GB軌跡數(shù)據(jù)，依次指定中間某一數(shù)據(jù)中心為匯聚節(jié)點(diǎn)，基于伴隨分析模型開展實(shí)驗(yàn)測試。測試結(jié)果表明，基于本文所提出的多數(shù)據(jù)中心跨節(jié)點(diǎn)分布式分析技術(shù)框架，很好地實(shí)現(xiàn)了伴隨分析計(jì)算步驟的跨數(shù)據(jù)中心節(jié)點(diǎn)分布式并行執(zhí)行，在極大提高分析計(jì)算效率的同時(shí)，有效解決了傳統(tǒng)方法只能基于本地?cái)?shù)據(jù)開展分析的技術(shù)瓶頸，突破了層級(jí)之間、警種之間數(shù)據(jù)必須向某一數(shù)據(jù)中心物理集中的技術(shù)限制。同時(shí)，通過建立增量分析機(jī)制，實(shí)現(xiàn)了可持續(xù)增量迭代的伴隨關(guān)系分析，進(jìn)一步提高了計(jì)算效率。經(jīng)專業(yè)性能測試，較以往基于單一節(jié)點(diǎn)物理集中數(shù)據(jù)資源開展分析的方法，跨節(jié)點(diǎn)分布式并行分析的時(shí)間消耗平均縮減3/4以上，進(jìn)一步建立增量分析機(jī)制后，在單考慮每個(gè)周期增量數(shù)據(jù)計(jì)算時(shí)長的情況下，時(shí)間消耗平均縮減超過8成。測試整體分兩步：

首先，對(duì)比測試跨節(jié)點(diǎn)分布式并行分析與單節(jié)點(diǎn)集中式分析兩種軌跡伴隨分析方法的時(shí)間消耗，待分析的軌跡數(shù)據(jù)總量為100 GB，計(jì)算過程中5個(gè)數(shù)據(jù)中心各承擔(dān)一次匯聚節(jié)點(diǎn)角色。其中，跨節(jié)點(diǎn)分布式并行分析是由5個(gè)節(jié)點(diǎn)并行完成20 GB軌跡數(shù)據(jù)的伴隨分析，其中4個(gè)節(jié)點(diǎn)的分析結(jié)果匯總到指定的匯聚節(jié)點(diǎn)后與匯聚節(jié)點(diǎn)的計(jì)算結(jié)果一起完成全局合并。測試過程中發(fā)現(xiàn)，較每個(gè)節(jié)點(diǎn)完成20 GB軌跡數(shù)據(jù)伴隨分析的時(shí)間，分析結(jié)果的傳輸匯總時(shí)間和在匯聚節(jié)點(diǎn)的合并時(shí)間均可忽略；單節(jié)點(diǎn)集中式分析是從每個(gè)節(jié)點(diǎn)將20 GB軌跡數(shù)據(jù)抽取到指定的匯聚節(jié)點(diǎn)后開展伴隨分析，抽取匯聚的平均時(shí)長為0.86小時(shí)。具體執(zhí)行時(shí)間如表1所示。

表1 跨節(jié)點(diǎn)分布式并行分析與單節(jié)點(diǎn)集中式

從表1可以看出，在單節(jié)點(diǎn)集中式分析方法中，盡管抽取時(shí)間較計(jì)算時(shí)間整體占比較小僅有1.95%，但絕對(duì)時(shí)間仍然長達(dá)0.86小時(shí)，在人、財(cái)、物高速流動(dòng)的現(xiàn)代社會(huì)，將近1個(gè)小時(shí)的時(shí)間延遲足以給實(shí)戰(zhàn)應(yīng)用帶來不可估量的影響甚至是顛覆性的影響。進(jìn)一步對(duì)比跨節(jié)點(diǎn)分布式并行分析與單節(jié)點(diǎn)集中式分析的時(shí)間消耗，在避免網(wǎng)絡(luò)傳輸時(shí)間消耗的同時(shí)，由于5個(gè)節(jié)點(diǎn)可同時(shí)以并行化的方式進(jìn)行分析計(jì)算，極大提高了計(jì)算效率，時(shí)間消耗壓降均超過75%。

更進(jìn)一步，對(duì)比測試單節(jié)點(diǎn)集中式分析、跨節(jié)點(diǎn)分布式并行分析、跨節(jié)點(diǎn)分布式增量分析，其中，跨節(jié)點(diǎn)分布式增量分析是按照均分的原則，以10 GB為一個(gè)節(jié)點(diǎn)一個(gè)周期的數(shù)據(jù)增量，由5個(gè)節(jié)點(diǎn)各完成兩個(gè)增量周期共計(jì)100 GB軌跡數(shù)據(jù)的伴隨分析計(jì)算任務(wù)，具體結(jié)果如表2所示。

表2 跨節(jié)點(diǎn)分布式增量分析、跨節(jié)點(diǎn)分布式并行分析、單節(jié)點(diǎn)集中式分析時(shí)間消耗對(duì)比

從表2可以看出，在考慮兩個(gè)增量周期的分析計(jì)算時(shí)間總消耗時(shí)，跨節(jié)點(diǎn)分布式增量分析方法與跨節(jié)點(diǎn)分布式并行分析方法每個(gè)節(jié)點(diǎn)分析的數(shù)據(jù)總量相同均為20 GB，同一節(jié)點(diǎn)兩種方法所需的總時(shí)間也大致相同，平均偏差僅有2.9%。但跨節(jié)點(diǎn)分布式增量分析方法由于設(shè)計(jì)了增量機(jī)制，在完成增量周期1的分析任務(wù)時(shí)，僅需對(duì)本周期的增量數(shù)據(jù)進(jìn)行計(jì)算，而無需考慮增量周期0的已消耗時(shí)間；若采用跨節(jié)點(diǎn)分布式并行分析方法，則每個(gè)增量周期各節(jié)點(diǎn)都需對(duì)本節(jié)點(diǎn)的全量數(shù)據(jù)進(jìn)行計(jì)算。從表2可以看出，僅完成一個(gè)增量周期的分析任務(wù)，時(shí)間消耗平均就縮減了47.73%，隨著增量周期的增加，兩種方法的時(shí)間消耗差值必將進(jìn)一步擴(kuò)大，在當(dāng)前公安大數(shù)據(jù)多以時(shí)間戳為增量標(biāo)志位的現(xiàn)實(shí)情況下，建立基于時(shí)間戳的增量分析機(jī)制，如以24小時(shí)為一個(gè)增量周期，以定制計(jì)劃任務(wù)的方式每日固定時(shí)間執(zhí)行前24小時(shí)增量數(shù)據(jù)的分析計(jì)算，在實(shí)戰(zhàn)中能夠極大縮短分析任務(wù)的運(yùn)算時(shí)間，具有很強(qiáng)的實(shí)用意義。在具體工作實(shí)踐中，所有類似分析任務(wù)筆者均采用依數(shù)據(jù)更新時(shí)間設(shè)定增量周期的方式，如某類數(shù)據(jù)業(yè)務(wù)更新時(shí)間為每日0時(shí)、12時(shí)、18時(shí)，且分析歷次更新任務(wù)后發(fā)現(xiàn)執(zhí)行時(shí)間均不超過20分鐘，則設(shè)定增量分析任務(wù)啟動(dòng)時(shí)間為0時(shí)30分、12時(shí)30分、18時(shí)30分，這樣就很好地實(shí)現(xiàn)了數(shù)據(jù)采集更新與分析應(yīng)用的銜接，進(jìn)一步縮短了服務(wù)實(shí)戰(zhàn)的響應(yīng)時(shí)間。再比較跨節(jié)點(diǎn)分布式增量分析方法與單節(jié)點(diǎn)集中式分析方法，時(shí)間消耗縮減更為明顯，在僅完成第一個(gè)增量周期分析任務(wù)時(shí)，平均縮減比就達(dá)88.18%。

4 結(jié)語

隨著5G網(wǎng)絡(luò)和物聯(lián)網(wǎng)技術(shù)的全面普及應(yīng)用，公安大數(shù)據(jù)必將進(jìn)入新的歷史時(shí)期，其體量規(guī)模和增長速度較當(dāng)前都將以數(shù)量級(jí)甚至指數(shù)級(jí)持續(xù)提升，摒棄建立單一超大規(guī)模數(shù)據(jù)中心物理匯聚全量數(shù)據(jù)開展大數(shù)據(jù)應(yīng)用的傳統(tǒng)理念方法，構(gòu)建不同警種、不同層級(jí)公安機(jī)關(guān)多數(shù)據(jù)中心分布式協(xié)同的公安大數(shù)據(jù)技術(shù)體系、應(yīng)用方法和增量機(jī)制，也是破解公安大數(shù)據(jù)技術(shù)瓶頸、政策制約的有效方法，是支撐公安大數(shù)據(jù)應(yīng)用開展的必然選擇，更是保障公安大數(shù)據(jù)智能化建設(shè)的科學(xué)路徑。