摘要：针对公安院校《人工智能》课程实验教学资源受限、分层脱节和实战融合不足等问题,提出了基于B/S架构的分层式在线实验平台设计方案。融合分层解耦架构与云原生技术,构建包含基础设施层、中间服务层、数据服务层和应用层的四层架构体系,缓解硬件成本高、实验部署难等问题；结合警务实战需求,引入警务实战相关数据集,设计“基础—进阶—综合”三阶实验科目体系,解决实验科目与公安实战融合不足的问题。文章为公安院校《人工智能》课程实验教学提供了可复用的技术路径与教学模式参考,助力“智慧警务”复合型人才培养。

　　关键词：B/S架构；在线实验平台；人工智能；智慧警务

　　0引言

　　人工智能技术的快速发展为公安工作带来了深刻变革,推动了公安工作由“数据驱动”向“数智融合”模式转型,同时对公安院校兼具技术能力与实战素养的复合型人才培养提出了更高要求。当前,公安院校人才培养体系仍面临以下问题：内容与能力分层脱节,实验内容较为单一,缺乏应用性、设计性、创新性实验；资源受限,深度学习等实验需要大量GPU算力,大规模人工智能实验难以开展；实战融合不足,实验科目与警务场景结合薄弱[1],且实验数据集多使用公开数据集,与真实警务数据存在显著差异,导致模型在真实案情分析中泛化能力差,难以适配“智慧警务”建设中的复合型人才培养需求。因此,本文提出基于B/S架构的分层式《人工智能》实验平台设计,通过B/S架构的云原生实验平台实现GPU资源弹性调度与跨终端访问,解决硬件成本与部署难题；引入符合真实公安场景的数据集,提高模型在真实警务场景中的泛化能力；构建“基础—进阶—综合”三阶实验科目体系,实现从技术基础到警务迁移的全周期能力培养。本文平台有助于提升《人工智能》课程实验教学效果,探索公安院校人工智能人才培养模式革新,为公安院校《人工智能》实验教学提供了可落地的技术路径。

　　1在线实验平台架构设计

　　B/S（Browser/Server）架构是一种基于浏览器和服务器的分布式计算模式,无需安装本地客户端即可实现跨平台操作。针对公安院校实验平台的资源管理、任务调度、数据处理等需求,本文基于B/S架构设计在线实验平台,采用云原生技术实现资源弹性调度与跨平台访问,构建包含基础设施层、中间服务层、数据服务层和应用层的平台架构,如图1所示。

　　1.1基础设施层

　　基础设施层以OpenStack云计算平台构建异构计算资源池,实现资源集中化。采用NVIDIA A100 GPU搭载MIG技术[2]（Multi-Instance GPU,多实例GPU）实现硬件级资源分割,满足多用户并发深度学习训练需求。利用MIG技术将单卡分割为7个独立实例（如式（1）所示）,支持多名学生并发进行模型训练。基础设施层为上层Kubernetes集群提供虚拟化资源支撑。

　　1.2中间服务层

　　中间服务层处理实验环境的调度和部署,依托Kubernetes集群调度策略动态绑定MIG实例,支持大规模实验任务的高效执行。根据实验任务显存占用大小、算力需求等,采用动态绑定策略优化MIG实例分配,避免资源浪费。预装实验数据集SF-Crime Dataset、Cityscapes、LeCaRD,支持警务任务训练和实验环境一键部署,增强警务场景适配性并减少本地配置耗时。

　　1.3数据服务层

　　数据服务层负责数据存储和管理,针对实验元数据、实验数据集标注等结构化数据,采用PostgreSQ集群的Citus分布式架构存储；针对实验任务中的视频、图像、语音、文本等非结构化数据,采用MinIO集群管理并部署EC（纠删码）策略,平衡存储成本和可用性；通过Delta Lake的ACID事务实现结构化数据与非结构化数据间的版本映射关系,支撑警务视频流的时空分片处理。

　　1.4应用服务层

　　应用服务层采用B/S架构实现浏览器端交互,前端基于Vue3和TypeScript构建可视化界面,后端采用Spring Boot框架构建API接口服务。应用服务层支持基础实验/进阶实验/综合实验三层实验模板下载与实验报告提交,提供实验关键代码等指导文档；集成AST解析器和Jupyter内核,支持代码规范性检测、算法时间复杂度分析与模型性能指标自动化评估等,满足公安院校规模化实验教学需求。

　　2分层式《人工智能》课程实验设计

　　根据学生不同专业背景、知识结构、能力素质与愿望要求,结合公安院校人才培养需求,综合考虑警务场景真实性、公安业务适配度、分层难度梯度等因素,选择警务适用数据集并按任务复杂度划分基础实验、进阶实验、综合实验,设计包含视频侦查、交通管理、警情研判等场景的实验科目,培养学生人工智能模型开发与应用能力,提升学生技术迁移与业务适配能力。

　　2.1实验数据集选择

　　针对通用模型训练多使用公开数据集,与监控视频、涉案图片等真实警务数据存在较大差异,导致模型泛化能力差、实战训练效果欠佳的问题,选择包含真实案件数据、真实场景图像等数据集训练实验模型,支撑公安业务场景。

　　2.1.1 CAIL2021数据集（中国法律智能技术评测数据集）

　　CAIL2021数据集基于中国裁判文书网的公开刑事裁判文书构建,包含2010-2020年间国内多地区的刑事案件记录,能够有效提升模型在真实案件分析中的泛化能力,适配公安业务场景。该数据集规模适中且为结构化标注数据,仅需处理案件时间、案发地点、罪名类别、处置结果等核心字段（如表1所示）,适合课堂快速实验；数据集分类任务明确,目标变量包含盗窃、危险驾驶、故意伤害、涉毒等30余类典型刑事案件类别,可沿用对数损失（Log Loss）作为评估指标,快速验证模型分类效果。

　　2.1.2 Cityscapes（城市街景图像数据集）

　　Cityscapes数据集涵盖50个不同城市的街景图像,包含行人、车辆、交通标志等关键目标以及不同天气、光照条件及遮挡场景,能够模拟真实监控视频图像。数据集划分为训练集、验证集、测试集,对每幅图像进行了像素级语义标签及辅助视差图、相机参数、GPS坐标等多模态标注,尤其适用于城市场景中的语义分割、实例分割等任务。此外,数据集提供官方评估脚本、预处理工具等完整的技术工具链,能够简化数据预处理流程,提升学生实验效率。

　　2.1.3 Legal Case Retrieval Dataset（LeCaRD，中文法律案例检索数据集）

　　LeCaRD数据集针对中文法律案例检索任务构建,能够缓解通用NLP模型一般基于外文数据集构建,应用于中文文本时泛化能力欠佳的问题。数据集文本中包含法律术语、口语化描述及复杂句式,与警情报告的语言特点高度相似,可直接用于警情关键词提取、案件分类等公安任务。此外,数据集由刑事法领域专家团队从案件描述、刑罚、程序三个维度进行人工标注,能够减少标注成本,提高实验完成度。

　　2.2分层实验科目设计

　　为适配公安院校学生多元化的专业背景、知识结构及能力梯度,同时满足警务实战对技术迁移与业务融合能力的复合要求,实验体系采用“基础—进阶—综合”三阶分层设计,如图3所示。

　　基础实验关注核心工具操作与算法复现,培养学生基础编程能力与理论知识理解力；进阶实验结合多模态任务培养学生对复杂模型的调试能力；综合实验依托多源数据融合与全阶段业务仿真,训练学生的系统性设计思维与警务场景适配能力,如表2所示。

　　2.3实验平台部署策略

　　2.3.1数据存储

　　实验数据集存储于在线实验平台的数据服务层。其中,结构化数据集CAIL2021和LeCaRD规模较小,利用ETL工具从公开网址中抽取数据,经字段清洗、冗余信息剔除、文本标准化等预处理后,通过数据服务层的PostgreSQL集群存储。非结构化数据集Cityscapes规模较大,但仅需要部分子集即可满足实验需求,可将子集按训练/验证/测试集划分并完成标注格式适配,下载至本地后使用SDK存储于MinIO集群,供后续模型训练与业务分析统一读取。

　　2.3.2资源分配

　　根据不同实验科目的数据集规模、模型复杂度等实际计算需求,对基础设施层的实例资源进行资源合理分配,优化资源消耗。基础实验模型简单,无需复杂计算资源,属于轻量级任务,可分配1个实例；进阶实验模型较复杂,显存占用较高,属于中量级任务,可分配2个实例；综合实验需处理多模态数据和训练复杂模型,显存需求最高,属于重量级任务,可分配整卡GPU。

　　3结语

　　本文基于B/S架构设计分层式《人工智能》在线实验平台,通过弹性资源调度与跨终端支持降低硬件成本与部署复杂度。平台依托“基础—进阶—综合”三阶实验科目体系,结合真实警务数据集和实战任务,构建了从技术基础到业务迁移的能力培养路径,为公安院校《人工智能》实验教学提供了可落地的技术方案与教学模式参考。

参考文献

　　[1]王素芝.警务实战需求下实验实训教学体系的构建与优化—以公安院校交通管理工程专业为例[J].山西警察学院学报,2025,33(1):121-128.

　　[2]吴永飞,王彦博,陈志豪,等.人工智能GPU算力资源池化应用研究[J].金融电子化,2023(15):18-20.