对一套安防监控系统而言，数以万计的相机接入，数据洪流源源不断的流入后端云存储系统中，如下几个数据诉求是不能回避的：海量的多媒体数据内容组织及检索

具体来讲，对图像的调度时间要求保持在1秒以内；

对编解码以及整网传输延时不能超过300ms；

监控系统安装规模再大也不能影响这个指标；

多维度的内容组织及挖掘，前端及后端智能结合，内容大数据索引化；数据保存的安全可靠性

图像数据需要专业存储设备存储并用RAID甚至多节点纠删卷进行保护；

读写分离体系数据存储永远放在第一位保证，无论录像还是图片；

优化的数据组织方式，更懂存储特质的数据业务设计，最大化挖掘不同存储介质性能；

端到端接入授权、全链路数据加密保障的安全保障，无论是中间网络截获还是存储介质暴露，均无法直接恢复m有效数据；人工智能带来的数据存储挑战

一方面，存储对象由最早单纯的原始视频变到了视频、图片以及A1分析后的结构化半结构化数据。对象的改变，使得存储系统要更多的考虑，如何更好的去适配多样化的存储对象?如何最高效的去存储各类数据，并提供可靠的保护?海量小文件混合存储的时候，如何避免传统存储中性能的大打折扣?

另一方面，存储的写读模型也发生了大变化。原先的原始视频存入存储后基本不会被调阅，写读模型基本为10：1，但AI技术的出现彻底激活了这些数据，存入的视频可以被高性能分析服务器提取进行人脸分析、车型分析、结构化分析，写读模型也变成了1：1甚至是l：N。在这样的写读模型下，对存储设备也提出了更高的要求，存储不再是单单考虑如何存的更快存的更多，而是要考虑如何与AI业务融合，进行最优的结合。

而当AI技术对数据价值进行提炼后，提炼出来的数据价值就发生了变化。例如原始视频可能我们只需要保留30天，但是经过结构化分析后的涉案嫌疑人图片的重要性就不言而喻了，需要永久保存。那么当一套存储系统中存在这样那样不同重要程度的数据时，完善的生命周期管理体系就显得尤为重要了。何来区分数据的重要性，并提供有层次的保护技术变得尤为重要。

安防监控公司表示当上面的种种挑战出现后，我们还将直面一个现实问题：在爆炸量的数据、超高的性能要求和翻倍的成本面前，我们如何去追求性能容量的最优配比，找到最低TCO的方案，实现最优解。

这一系列的变化，促使了安防数据已经演变成了一个新的数据湖，必须借助一系列的数据治理手段，才能推动数据的有效利用。