标签: 汽车

构建巨量的驾驶场景时，测试ADAS和AD系统面临着巨大挑战，如 传统的实验设计（Design of Experiments, DoE） 方法难以有效覆盖识别 驾驶边缘场景案例 ，但这些边缘案例恰恰是进一步提升自动驾驶系统性能的关键。 一、传统解决方案：静态DoE 标准的DoE方案 旨在系统性地探索场景的参数空间，从而确保能够实现完全的测试覆盖范围。但在 边缘案例 ，比如暴露在潜在安全风险的场景或是ADAS系统性能极限场景时，DoE方案通常会 失效 ，让我们看一些常见的DoE方案： 1、网格搜索法（Grid） 实现原理： 将场景空间按照网格进行划分，并测试所有的参数组合。 优势： 确保覆盖所有的范围。 缺点： 在大参数空间下计算耗时将会难以估计。 2、随机抽样（Random Sampling） 实现原理： 在定义的参数空间内进行随机选择测试样例。 优势： 易于实现，而且扩展性能好。 缺点： 可能会错过重要的样例从而导致测试效果大打折扣。 3、拉丁超立方体抽样（LHS） 实现原理： 确保每个参数在相应区间内进行均匀采样，从而改善数据结果的分布。 优势： 比随机抽样效率更高，覆盖范围更加合理，样本分布也更均衡。 缺点： 过于均衡从而无法有效考虑到边缘案例的情况。 这些传统方法在一定程度上覆盖了ADAS和AD系统场景测试范围，但是其结果或多或少都存在 一定的缺陷 ，如针对于边缘场景，传统方法 没有考虑高风险因素 以及 自适应学习过往测试结果 的过程，针对这一点我们分享一个新的自适应DoE解决方案： aiFab解决方案。 二、aiFab解决方案 在传统的DoE方案中，将所有的场景视作同等重要，然而事实上，在ADAS/AD系统的测试过程中， 边缘场景 则影响着关键性能的提升。 aiFab解决方案 中， 基于AI的自适应DoE解决方案 将会根据先前的测试结果，动态选择测试用例，在未通过的案例中学习并调整泛化注意力。 1、贝叶斯优化（BO）：通过学习优化的智能测试 贝叶斯优化 将全量搜索场景的方法转换成由数据驱动的智能方案，与随机取样等方案不同： （1）BO方案将会 预测 最有可能暴露失败风险的新测试用例。 （2）BO方案采用 替代模型Surrogate model ，比如采用高斯过程Gaussian Processes，然后通过已有的数据来逼近测试场景参数与关键性指标的映射目标函数。 （3）然后结合采集函数Acquisition Function，比如通过 下置信届LCB 或者 期望改进EI 等方法，有效平衡“探索”和“利用”之间的取舍，在有限次数测试下，有效找到目标函数的最优解。 2、映射目标函数之关键性指标 贝叶斯优化依靠 关键性指标（KPI） 决定了是否为目标场景，aiFab中常见的KPI包括： （1）碰撞时间TTC： 决定车辆距离碰撞有多近 （2）入侵后时间PET： 交通冲突后剩余时间间隔 （3）速度变化Delta-v： 车辆碰撞过程中的速度变化 通过不同的KPI更新模型，我们的泛化方案能够 将计算资源集中在最需要 的地方，从而更 高效 的发现关键边缘场景，而不是在常规场景上耗费时间。 3、仿真记录演示 为说明aiFab自适应泛化场景，以下通过一系列 仿真记录来演示自车在不同临界指标下左转的场景 ，每次迭代将会始终关注 更为严苛的边缘案例 ，以确保能够发现潜在风险。 原始记录： 速度变化（Delta-v） ：当 Ego 车辆与 Exo1 车辆进行正面高速碰撞时，通过最大化它们的速度，可以使碰撞时的 Delta-v 达到最大，从而增加碰撞的严重性。 入侵后时间（PET） ：用于评估潜在碰撞或接近碰撞的风险，即那些可能由于交通流或信号变化而产生的高风险情形。 入侵时间（ET） ：评估车辆在交通冲突区域（如交叉口或其他关键区域）停留时间的指标，特别是当车辆的速度较低时。它反映了“Ego”车辆在这些区域内暴露于潜在风险的时间长度。 潜在碰撞时间（PTTC） ：是通过 车道基础的度量 来实现的，主要聚焦于识别和预防发生追尾碰撞的可能性。 三、结语 凭借最新的自适应DoE功能，aiFab给ADAS/AD验证带来了诸多益处： （1）更快的发现边缘案例： 找到高风险场景而无需全量的网格测试 （2）更低的资源耗费： 专注于特定方向的案例场景 （3）更好的风险覆盖范围： 提升检测稀少边缘关键场景的能力 通过将自适应测试集成到aiFab中， aiFab解决方案 提高了效率，同时增强了ADAS和自主系统的安全性、性能和信心。

一、前言 随着自动驾驶技术的快速发展， 庞大的测试数据 和 复杂的场景需求 为 性能与安全评估 带来了巨大挑战。如何 高效管理海量数据 、 挖掘关键场景 ，并满足以 Euro NCAP （European New Car Assessment Programme，欧洲新车安全评鉴协会）为代表的严格评估标准，已成为行业亟待解决的核心问题。 这不仅关乎技术研发的效率与精度，更是智能驾驶车辆进入市场、提升竞争力的关键前提。 本文我们将围绕如何应对海量数据所带来的挑战进行探讨，分享提高场景测试与性能安全评估的见解。 二、场景测试与性能评估的挑战 在自动驾驶技术的研发与测试过程中， “场景” 是一个核心概念，也是验证自动驾驶系统性能和安全性的关键手段之一。无论是行业专家还是普通关注者，谈及自动驾驶测试时，都会提到“场景”以及“基于场景的测试”。 图 1自动驾驶场景概念图 场景 通常由 静态要素 （道路、交通标志、建筑物等）、 动态目标 （车辆、行人等）、 环境条件 （天气、光照等）、 行为模式 （变道、急刹车等）组成，旨在描述车辆可能面临的各种复杂情况。由于内容极为丰富， 国际标准ISO 34501通过四层抽象分级模型 对其进行分类，即 功能场景 、 抽象场景 、 逻辑场景 和 具体场景 ，后两者便是当下关注的重点。 图 2四层抽象分级模型与场景测试挑战 对于测试而言，除了在各个场景下的性能表现，通常还得 满足一些法规或者评估标准 。例如，对于车辆的安全性而言，最广为人知的便是 Euro NCAP的评级。 Euro NCAP的评级结果 不仅会为消费者选购车辆提供重要参考，也是诸多汽车制造商和技术开发者研发过程中明确的安全目标。无论是传统燃油车还是智能驾驶车辆，获得Euro NCAP的高评分都是进入欧洲市场、提升市场竞争力的重要前提。 然而，随着自动驾驶技术的高速发展，测试需求与标准的日益复杂化，自动驾驶研发与测试中所产生的数据日益增加，对逻辑场景与具体场景的需求也逐步攀升，这也就为场景测试带来了 诸多挑战： a）海量的测试数据与场景 自动驾驶测试需要处理极其庞大的场景库和测试数据，如何高效地管理和利用这些数据成为一大难题。 b） 指标分析与数据管理的难度 随着测试指标的逐渐增加，如何对测试结果进行全面、准确的分析，以及如何高效地管理测试数据，都是亟待解决的问题。 c）性能与安全评估方法的效率 自动驾驶系统的性能和安全性评估需要高效快捷的方法，以应对大规模测试的需求。 d）真实场景向仿真场景的转换 为了实现重复测试，需要将真实场景高效地转化为仿真场景，即LogSim到WorldSim的转化。 e）高昂的测试成本 应对上述种种挑战需要投入大量的资源，包括人力、时间和资金。 面对这些挑战， 我们尝试在云端搭建一个模块化的数据管理与场景挖掘平台，并集成Euro NCAP 道路稳健性协议 （包括速度辅助系统、车道支持系统和辅助驾驶），进而实现了 高效场景测试与性能安全评估。 图 3数据管理与场景挖掘概览 三、数据管理与高效分析方法 在自动驾驶测试中，海量的驾驶数据与复杂的场景构建是基础，同时也是挑战。如何高效地管理这些数据，并从中提取出有意义的场景，成为 验证自动驾驶系统性能与安全性 的关键环节。3、4章节将从 数据管理、聚合分析、场景提取与评估技术 以及 场景导出 四个方面， 详细探讨如何高效处理海量数据并挖掘关键场景。 1、数据管理技术：高效处理海量信息 对于场景测试或者以Euro NCAP为代表的性能评估而言，通常会产生大量的驾驶数据，例如 Euro NCAP 2026年新版安全驾驶汽车辅助协议（Safe Driving Vehicle Assistance） 就明确提出部分功能的评估需要满足至少2000公里的测试。 面对海量的驾驶记录与复杂的场景需求，数据管理需要兼顾高效性、灵活性与协作性。对此，我们尝试基于云搭建模块化的数据管理平台，旨在实现驾驶数据的高效处理、评估与检查。 a)驾驶数据摘要与高级查询 通过鼠标单击查看驾驶记录的摘要信息，获取清晰的驾驶数据概览，并采用事件（Event）、操作设计域（ODD）或场景（Scenario）三类标签，以组合的方式快速查询需要的驾驶记录。 图 4快速摘要与高级查询 b)可视化界面与团队协作 基于相机视角、感知还原、GPS轨迹、车辆速度等多维度创建可视化界面，对场景进行深入分析。同时，采取URL分享的方式，实现团队成员之间的高效协作与共同分析数据。 图 5自定义可视化界面 2、聚合分析技术：从海量数据中洞察规律 除了单一场景的快速查询与分析，针对 海量驾驶数据的整体规律分析 同样至关重要。为此，我们使用聚合分析的方法，通过 多级指标（Metrics） 对驾驶数据进行整理、分类和聚类分析，加速发现数据中的潜在规律。 图 6聚合分析 a)多级指标的灵活分析 通过采取感知、行为、舒适度等多级指标进行分析。例如，当想要了解“自动驾驶系统开启状态”、“特定速度区间”、“白天”的违规率，就可以设定对应指标，构建指标矩阵与直方图，随着指标的增加，矩阵与直方图会产生动态变化，得以快速掌握概况以及各个指标下统计出的违规率。 b)一键聚类与场景跳转 聚合分析技术能够基于指标矩阵对驾驶记录进行自动聚类，并支持关键场景的快速跳转。单击矩阵中的特定数值即可直接查看对应的场景列表，并快速跳转到可视化界面，查看场景细节，进行深入分析。 四、场景挖掘、评估与ASAM OpenX场景导出 为了在大量驾驶数据的挑战下 提高场景测试与评估的效率 ，我们基于感知算法从原始驾驶数据中提取出场景，将原有的大量里程与时间浓缩为了一系列特定场景，并结合了 自定义标准与Euro NCAP标准 建立了多种预设评估方式，保障效率与准确性的同时尽可能节省时间与精力。 1、场景提取与评估技术：挖掘关键场景与性能见解 如何从大量的驾驶数中提取有意义的场景并进行性能评估，是自动驾驶测试的重要环节。 我们通过对激光雷达、相机、GPS等原始传感器输入的数据进行感知，从真实或仿真数据中高效挖掘场景，提供多维度的性能与安全见解。 图 7场景挖掘流程示意图 a)自动清除空驶里程 驾驶数据中通常存在大量没有特殊事件发生的空驶里程，占据了大量存储空间但对测试无意义。我们通过设定场景提取的条件，例如自车速度、障碍物速度、自车与障碍物纵向距离等，自动剔除这些“空驶里程”，准确提取出常用场景（如SOTIF、ISO 26262、EuroNCAP等标准规定的场景），进而节省时间成本。 b)性能与安全评估 提取的场景可以基于预设的Euro NCAP或自定义标准进行性能评估。例如，设定最大速度或碰撞时间（TTC）等指标，就可以快速筛选出不符合预期的场景，并通过可视化界面查看详细信息。对于失败的场景，一键点击跳转到数据管理与分析平台，查看感知还原的场景、相机视频、速度等细节进行深度分析。 图 8自定义标准与Euro NCAP标准的场景评估 2、场景导出器：从LogSim到WorldSim的转换 为了推动 仿真测试的便捷化 ，我们基于相机图像、激光雷达点云、GPS定位信息等原始驾驶数据，通过内部的感知算法将其转化为仿真场景，完成了从 LogSim到WorldSim 的高效转换。转化后的仿真场景能够被导出为仿真所需的ASAM标准文件格式（OpenSCENARIO与OpenDrive），实现 数字孪生 。 图 9场景导出器：一键导出与自定义导出 数据输入支持 多种数据格式 （如RosBag、LCM、ADTF等），并可以根据需求 自定义导出场景的时间范围 （最长30秒），导出的场景文件可以直接导入支持标准OpenX格式文件的仿真器（如aiSim5），根据需要进行修改后运行仿真测试。 图 10联动aiSim仿真器的场景仿真示例 五、集成式Euro NCAP道路评估器 为了更快速且可靠地对驾驶系统性能安全进行评估，并帮助在未来 Euro NCAP的安全辅助评估中拿到高评分，数据管理与分析平台（DAP）内将集成Euro NCAP道路评估器（On-road Evaluator） ，获得基于海量驾驶数据的深刻见解。 1、基于Euro NCAP协议的三大评估板块 通过在数据管理与分析平台中 集成Euro NCAP道路评估器 ，可以支持对道路ADAS性能快速提供评估结果，减少评估时间和成本，同时确保严格遵守既定的标准，帮助在评定中获得 更高的星级。 图 11道路评估器三大评估板块 Euro NCAP道路评估器主要针对Euro NCAP 2026协议归纳出三大板块进行评估： a) SAS（Speed Assist System，速度辅助系统） b) LSS（Lane Support System，车道支持系统） c) AD（Assisted Driving，辅助驾驶） 这些板块进一步被 细分为多个功能模块 ，例如AEB（自动紧急制动）、LKA（车道保持辅助）、SLIF（速度限制信息功能）等，覆盖了智能驾驶车辆在不同场景下的关键安全功能。 2、Euro NCAP道路评估器工作流及特点 通过道路评估器可以 快速测试ADAS功能 ，例如SLIF与LKA，并快速评估Euro NCAP KPI，自动生成反馈报告，使得直击问题根源与优化系统性能变为可能，进而在最终评定中得以获得更高的星级。 图 12Euro NCAP道路评估器工作流程 道路评估器的工作流分为以下几个步骤： 1.基于参考传感器硬件设备采集驾驶数据 2.使用 Euro NCAP On-Road Evaluator 进行数据处理 3.基于 ODD 的 Euro NCAP 道路 KPI 评估 4.快速得到 KPI 计算和评分的反馈 通过上述工作流， Euro NCAP道路评估器 便能够做到在完全遵循Euro NCAP中关于SAS、LSS、AD的要求的前提下，基于操作设计域（ODD）对车辆进行快速评估，节省大量时间和资源。 图 13速度限制信息功能示意图（SLIF） 结合DAP的基础功能模块，道路评估器可以实现数据可视化、相机视图、数据管理的定制化功能， 如图13所示，便于深入研究特定的失败事件或异常场景。在此基础上，通过精确的评估算法，道路评估器能够避免代价高昂的返工，最大限度上节省该方面的成本。 六、总结 在自动驾驶技术的研发与测试中，场景测试是验证系统性能与安全性的核心手段 。康谋IVEX方案 通过高效的数据管理、场景挖掘与性能评估技术，解决了海量数据处理、复杂场景构建、高昂测试成本等难题，并 深度耦合Euro NCAP相关协议 ，推动基于真实世界场景的安全评估标准化。 通过 数据驱动 的方式，不仅提升了系统的测试效率，还能够助力智能驾驶车辆在Euro NCAP评定中获得更高评分，加速自动驾驶技术的研发与落地，为行业发展提供重要支撑。

随着自动驾驶技术的快速发展，车辆准确感知周围环境的能力变得至关重要。 BEV（Bird's-Eye-View，鸟瞰图）感知技术 ，以其独特的视角和强大的数据处理能力，正成为自动驾驶领域的一大研究热点。 一、BEV感知技术概述 BEV感知技术，是一种从鸟瞰图视角（俯视图）出发的环境感知方法。与传统的正视图相比，BEV视角具有 尺度变化小、视角遮挡少 的显著优势，有助于网络对目标特征的一致性表达。基于这样的优势，可以更有效的对车辆周围环境进行感知。 图1：BEV 感知图 因此，在自动驾驶感知任务中，BEV感知算法通常包括分类、检测、分割、跟踪、预测、计划和控制等多个子任务，共同构建起一个完整的感知框架。 BEV感知算法的数据输入主要有图像和点云两种形式。根据数据源不同，BEV算法主要分为 BEV Camera（纯视觉）、BEV LiDAR（基于激光雷达）和BEV Fusion（多模态融合） 三类。其中， 图像数据具有纹理丰富、成本低 的优势，此外，基于图像的任务、基础模型相对成熟和完善，比较容易扩展到 BEV 感知算法中。 为了更好的训练BEV Camera感知算法，往往需要先搭建一个 高质量的数据集 。而搭建一套BEV感知数据采集系统，通常包括以下几个关键环节： 1.硬件选型与集成： 选合适的摄像头和计算采集平台，集成稳定系统。 2.数据采集： 在实际环境中采集图像数据，覆盖不同场景、光照和天气。 3.时间同步： 确保不同传感器数据时间精确同步，是后续算法训练的必要前提。 4.系统调试和部署： 调试系统确保组件协同工作，部署到实际应用环境。 因此，在实际搭建过程中，常会遇到 技术复杂性高、成本投入大、数据质量与时间同步实现难、系统稳定性与可靠性要求高 等挑战。针对这些问题，本文分享一套 BEV Camera数据采集方案 ，能高效搭建高质量的BEV感知数据集，加速算法研发和训练。 二、BEV Camera数据采集系统方案 BEV Camera数据系统采集方案以BRICKplus为核心系统平台，通过扩展PCIe Slot ETH6000模块连接6个iDS相机，利用GPS接收模块获取卫星时钟信号，提供 XTSS时间同步 服务，并支持13路（g）PTP以太网接口，确保高精度时间同步。 BRICKplus搭载BRICK STORAGEplus硬盘，提供 大容量高速存储 ，满足高带宽数据采集需求，确保数据的 完整性 和 可靠性 。 图2：系统集成 三、数据采集 在BEV Camera数据采集方案中，难点在于 如何同步多相机的采集动作、确保数据的高精度时间同步 以及 高效传输 。因此，在整个软件方面，我们采用ROS+PEAK SDK方案进行深度集成，实现了多相机的参数配置、数据采集与传输。 为了更灵活应对实际采集环境需求，对相机（如曝光时间、帧率和分辨率等）参数进行了统一管理和存储，这些参数可在节点启动时通过配置文件动态加载，为相机的初始化提供了灵活性。 图3：相机参数配置 为实现多相机的同步采集和高效传输，我们利用了 ROS的多线程和节点管理功能 。通过为每个相机创建独立的采集线程，并启动采集循环，确保了每个相机的采集过程独立且高效。引入 全局控制信号与信号处理机制 ，确保了统一管理所有相机的采集和同步结束状态。 图4：相机实时可视化 四、时间同步 为了实现多相机的时间同步，一般有两种方式：软时间同步和硬件时间同步。软时间同步主要依赖于软件层面的算法和协议来实现时间同步。其精度通常在 微秒级别 ，适用于对时间同步精度要求不是较高的场景。 图5：多相机软件时间同步 为了应对时间同步精度要求较高的采集场景，如自动驾驶和高精度测量等。在BEV Camera数据采集方案中，进一步支持相机进行硬件时间同步。通过XTSS软件可以有效管理数采平台的时间同步功能，能够快速轻便配备各个传感器的时间同步配置。 图6：XTSS 时间同步管理 通过GPS模块提供高精度的时间基准，并利用支持硬件时间戳的以太网接口直接捕获数据包的时间戳。其时间同步精度可以达到 纳秒级别 ，具备高稳定性，不受软件和网络延迟影响。 图7：多相机硬件时间同步 五、总结 在自动驾驶技术的快速发展中，BEV Camera数据采集系统的构建至关重要。通过采用BRICKplus平台，结合PCIe Slot ETH6000模块和iDS相机，方案实现了多相机的 高效数据采集和存储 。通过ROS+PEAK SDK的深度集成，实现了多相机的 参数配置、数据采集与传输 。利用GPS接收模块和XTSS时间同步服务，确保了多相机的 高精度时间同步 。 BEV Camera数据采集方案有效解决了多相机同步采集和高精度时间同步的难题，还提供了灵活的相机参数配置和高效的数据传输，能够满足 自动驾驶和高精度测量等场景 的需求。

数据隐私与安全 在当今数字化时代占据着举足轻重的地位。在应对数据保护法的复杂要求和网络攻击的威胁时，大多数企业都面临着 重重挑战 ，因此诸多企业对 可靠、可扩展且安全的数据管理解决方案 的需求愈发迫切。 正是在这一背景下，康谋精心打造了 本地匿名化一站式解决方案 ，该方案将 隐私和安全 作为其核心设计原则，旨在助力企业以信心和效率从容应对当今复杂多变的 隐私和安全需求 。 一、本地匿名化解决方案 该解决方案巧妙地利用 Terraform部署技术 ，能够在自有集群中实现灵活的 自动扩展 。无论数据处理需求是在 多个服务器的GPU和CPU上 运行，还是涉及到 复杂的数据架构， 系统都能确保在部署后的 第一时间 进行自动扩展。这一特性不仅确保了数据处理的 高吞吐量 ，而且提供了高效管理 跨多样基础设施 的复杂数据的途径。 二、方案优势 1、隐私与安全保护 本地部署 为处理敏感数据提供了最为 安全且合规 的环境。通过在用户自己的基础设施中 托管匿名化处理过程 ，用户可以全 面掌控数据 ，确保严格遵守最严格的数据保护法规。 无论是需要持续处理小批量数据，还是偶尔处理海量数据，该解决方案都能 迅速响应 ，根据需求 动态扩展 到 数百台GPU和CPU机器 ，或在不必要时 迅速缩减 ，以 有效控制成本 。此外，方案还支持许多平台上的Spot Instance，为灵活资源分配提供更多选择。 2、灵活性与控制力 本地匿名化解决方案与数据管理和处理流程 紧密集成 ，可以提供无与伦比的灵活性。用户可以 自由配置资源 ，并根据需要授予不同业务部门访问权限。 这种 高度独立且动态 的运营模式，助力更加 灵活多变 的数据处理能力，从而满足 不同场景下的需求。 3、离线解决方案 本方案还提供了一种 独特的离线解决方案 ， 无需与外部服务器持续通信 ，这一特性不仅提升了安全性，而且确保在最严格的隐私和合规要求下仍能稳定进行各种操作。比如，即使在网络受限或敏感信息不能外泄的场景下，也能顺利完成数据处理任务。 三、应用案例 本地匿名化解决方案具备 云无关性 ，以应对具备 多样性的客户基础设施 。无论用户的系统托管在亚马逊网络服务（AWS）、谷歌云、阿里云还是 其他任何云平台上 ，本平台都能 无缝集成 ，提供同样卓越的服务和可扩展性。 这种 广泛的兼容性 让用户的数据处理更加灵活便捷， 无需担心因平台限制而影响部署。 本地匿名化解决方案已被 欧洲多个行业领导者 广泛采用，如 CARIAD、大众（VW） 和 德国铁路（Deutsche Bahn） 等。客户们通过使用本地匿名化解决方案，成功地在 短时间内完成了数千小时视频的匿名化处理 ，验证了平台处理 庞大数据集 的卓越能力和高效性。 四、总结 综上所述， 本地匿名化解决方案 为企业的数据管理、安全保障和利用带来了革命性的变化。通过提供 可扩展、安全且高效 的平台，该方案能够确保企业能够全面 遵守数据保护法规 ，同时 提升运营灵活性 ，并优化 运营效率， 为您的业务发展奠定坚实的基础。

数据隐私与安全 在当今数字化时代占据着举足轻重的地位。在应对数据保护法的复杂要求和网络攻击的威胁时，大多数企业都面临着 重重挑战 ，因此诸多企业对 可靠、可扩展且安全的数据管理解决方案 的需求愈发迫切。 正是在这一背景下，康谋精心打造了 本地匿名化一站式解决方案 ，该方案将 隐私和安全 作为其核心设计原则，旨在助力企业以信心和效率从容应对当今复杂多变的 隐私和安全需求 。 一、本地匿名化解决方案 该解决方案巧妙地利用 Terraform部署技术 ，能够在自有集群中实现灵活的 自动扩展 。无论数据处理需求是在 多个服务器的GPU和CPU上 运行，还是涉及到 复杂的数据架构， 系统都能确保在部署后的 第一时间 进行自动扩展。这一特性不仅确保了数据处理的 高吞吐量 ，而且提供了高效管理 跨多样基础设施 的复杂数据的途径。 二、方案优势 1、隐私与安全保护 本地部署 为处理敏感数据提供了最为 安全且合规 的环境。通过在用户自己的基础设施中 托管匿名化处理过程 ，用户可以全 面掌控数据 ，确保严格遵守最严格的数据保护法规。 无论是需要持续处理小批量数据，还是偶尔处理海量数据，该解决方案都能 迅速响应 ，根据需求 动态扩展 到 数百台GPU和CPU机器 ，或在不必要时 迅速缩减 ，以 有效控制成本 。此外，方案还支持许多平台上的Spot Instance，为灵活资源分配提供更多选择。 2、灵活性与控制力 本地匿名化解决方案与数据管理和处理流程 紧密集成 ，可以提供无与伦比的灵活性。用户可以 自由配置资源 ，并根据需要授予不同业务部门访问权限。 这种 高度独立且动态 的运营模式，助力更加 灵活多变 的数据处理能力，从而满足 不同场景下的需求。 3、离线解决方案 本方案还提供了一种 独特的离线解决方案 ， 无需与外部服务器持续通信 ，这一特性不仅提升了安全性，而且确保在最严格的隐私和合规要求下仍能稳定进行各种操作。比如，即使在网络受限或敏感信息不能外泄的场景下，也能顺利完成数据处理任务。 三、应用案例 本地匿名化解决方案具备 云无关性 ，以应对具备 多样性的客户基础设施 。无论用户的系统托管在亚马逊网络服务（AWS）、谷歌云、阿里云还是 其他任何云平台上 ，本平台都能 无缝集成 ，提供同样卓越的服务和可扩展性。 这种 广泛的兼容性 让用户的数据处理更加灵活便捷， 无需担心因平台限制而影响部署。 本地匿名化解决方案已被 欧洲多个行业领导者 广泛采用，如 CARIAD、大众（VW） 和 德国铁路（Deutsche Bahn） 等。客户们通过使用本地匿名化解决方案，成功地在 短时间内完成了数千小时视频的匿名化处理 ，验证了平台处理 庞大数据集 的卓越能力和高效性。 四、总结 综上所述， 本地匿名化解决方案 为企业的数据管理、安全保障和利用带来了革命性的变化。通过提供 可扩展、安全且高效 的平台，该方案能够确保企业能够全面 遵守数据保护法规 ，同时 提升运营灵活性 ，并优化 运营效率， 为您的业务发展奠定坚实的基础。