隨著視頻監控系統的使用和談論日漸增多，越來越多的CSO開始發現，有必要將視頻納入總體的IT安全中。BRS實驗室CTO Eric Eaton先生為我們提供了評估視頻監控解決方案的五大標準。

    視頻監控曾經是物理安全的唯一部分。操作人員坐在多個錄像機屏幕前，每個屏幕相應展示一臺攝像機的視野，人們通過這些來檢測特定區域內有無安全突發事件產生。但是隨著時間的推移，越來越多的人表明，要想更好地保障一個集體的安全就需要安裝更多的攝像頭，而且視頻信息必須具備多觀察角度。

    當人們在視頻監控系統中加入更多的攝像頭，從無數的視頻錄像中找到潛在的威脅就需要借助IT技術的分析工具來實現。鑒于此，CSO們發現他們十分需要整合一個重要的物理安全解決方案，并將視頻監控系統納入總體的IT安全之內。人們需要認清視頻監控系統到底可以做什么，哪些又是它不能完成的。同時也暴露出來了一些問題，人們需要了解對視頻監控解決方案的評估標準，還有，怎么做才能有助于改進現有的系統。

    拋棄算法開始學習

    現在，視頻分析軟件的出現對用戶來說讀取攝像機的輸出信息成為可能，同時，當發現異常行為被檢測到時還會自動發出警告。最早的系統往往有10到12個攝像頭。運作時間為6個月，一旦安裝后就意味著不可以進行升級和擴展。因此，對此投入更多的資金也是毫無意義，因為它們僅僅是作為一種對特定行為的警報的工具存在。舉例來說，某組織部署了一個系統來檢測一個停車場在夜晚是否有偷竊行為發生。18個月內系統通報發生了一起偷車行為（警官停下來檢查這個停車場）。如果是這樣，對于人們來說，一個在18個月內只提供了一兩條有價值信息的系統是否過于昂貴呢？

    如果要為單個的異常活動制定規范，作為視頻監控系統，這樣的系統不得不要面臨挑戰。一般來說，面對這樣的情況，相關組織就會尋找與現有的產品在運作差不多，同時還能借助IT部門幫助的辦法，他們可以用網絡視頻流檢測異常行為。目前市場上出現了各種各樣的工具可供選擇。在功能上，他們都不僅支持更好地觀看錄像、更支持對攝像機的數字化輸出信息進行分析，以便實時了解和判斷異常行為，同時，在沒有任何人力投入的情況下對所有異常活動進行檢測和警報。

    不知不覺，人們看到了從算法和有規可循的系統到learning technology這一轉變，這有助于改進視頻監控系統。好的監控系統關鍵在于它們可以learning正常的行為，所以能夠發現可疑的行為并幫助預測和預防未來的威脅。通過將每天的活動進行過濾，learning technology可以為安全人員減負，讓他們的全部精力集中在對異常活動的檢測上。這可以幫助提高相關組織的對威脅的意識，同時縮短對潛在威脅的反應時間。