云计算与机器学习助力美国西海岸地震预警系统升级

每秒每刻，从加利福尼亚州超过500个站点（南至巴哈半岛，延伸至加州中部）持续收集着地面运动数据。这不仅是海量数据，其中还可能埋藏着紧急信号：大地震的迹象可能隐藏于成千上万的正常地面运动变化之中（仅南加州每三分钟就发生一次地震）。这些信息由筛选地震迹象的算法进行处理，地震的位置和震级会在数据传入后尽可能接近实时地计算出来。

“通常，这一切在数据传入后大约60秒到几分钟内完成。”加州理工学院（Caltech）的地震学家Zachary Ross教授说。

这些细节由加州理工学院与美国地质调查局（USGS）合作，通过南加州地震网络（SCSN）收集和分发。随后，原始数据和经过处理的数据都会向公众公开。政策制定者、科学家和学者使用这些数据——用于断层位置、地震前兆等研究——一些旨在发布较大地震预警的早期预警系统也会使用。

由于这些数据体量庞大，且发挥着重要作用，大约四年前，Ross将现有系统迁移到了某中心的框架上。

他解释说：“我们不希望大地震导致停电时，还在帕萨迪纳这里进行计算。现在已经设置成数据会立即广播到某中心。这样一来，即使电力中断或基础设施受损，数据处理也能继续进行。”

如今，借助新的机器学习技术，Ross和他的团队正在升级该系统，这可能有助于科学家识别更多的地震事件——并理解其发生原因。

系统升级的必要性

加州理工学院系统的升级已经酝酿了很长时间。Ross指出，目前数据运行的算法是一种标准的信号处理算法，大约30年前内部编写。

“多年来，随着新数据库或技术的出现，它已经缓慢更新，但在此期间没有经过任何重大的全面改革。”他说。

信号处理算法的输出也需要不断优化。

“我们在这里有一个完整的团队，基本上把他们大部分时间都花在修复这些算法造成的所有错误上。”Ross说。

由于系统陈旧，团队现在正在“使用云原生框架从头开始完全重写一切”。他解释说，现在大力推进这项工作源于过去几年机器学习技术的进步。由于现有系统劳动密集，而且目前的工作方式使得无法纳入现代机器学习，他们需要重新开始。

Ross在加州理工学院的研究小组一直致力于开发更高效、更灵敏的新算法，以实现更好、更自动化的数据监测。这些进展包括结合深度学习算法，使得能够常规检测到多出三到五倍的事件。

升级还将使团队能够更好地利用他们可用的高质量数据。

“在地震学中，我们有很多带标签的数据可用。”Ross说。“这是因为我们有这些专业的地震分析师，他们在过去几十年里一直在手动测量和定位所有这些事件。”

提升基础地震科学

更新系统也有助于基础科学任务。目前，由于时间限制（所有花在修正上的时间），加州理工学院收集的数据并非全部都能被分析。因此，某些数据子集，如较大事件，会被优先处理。

然而，仅能分析较大地震意味着大量重要的数据处理没有进行。如果加州理工学院的团队能够研究更小、更频繁的地震，科学家可以获得极其有用的信息。这源于地震的性质。

地震不仅仅是特定规模或地点的地面运动——它是深处断层的突然不稳定移动。导致那次滑动的不一定是单一事件，而通常是一系列事件——地震往往会引发其他地震。因此，较大的事件有时是由其之前的较小事件触发的。这种级联现象意味着，对于像Ross这样的科学家来说，研究完整序列的地震极其有用——这意味着需要能够可靠地识别较小的地震。

这也是数据量呈指数级增长的地方。

“地震有一个科学上众所周知的特性，即震级越小，发生的地震就越多。”Ross解释说。“每次震级降低一个单位，发生的地震大约会增加10倍。”

可靠地测量较小的地震也意味着地震学家可以确定断层的位置，这是更好地理解地震的另一个关键。如果你能将更多的小地震绘制在地图上，并标出它们的震源位置，“这些震源会告诉你一些关于断层在深处位置的信息，否则很难知道，因为我们无法钻到那么深。我们谈论的深度通常在表面以下八英里，这根本不可能到达。”Ross解释说。

为了处理如此大量的数据，Ross和他的团队依靠某中心促销积分资助来构建他们的原型系统。数据通过亚马逊Kinesis流式传输，该服务用于实时收集和处理大量数据流。

这种提高的可靠性和灵敏度将使Ross和他的团队能够使用新一代算法检测“大约多五倍的小事件”。

“我们现在记录下来的绝大部分内容都被遗漏了，这是一个相当惊人的说法。”Ross说。

一旦新系统启动并运行，它将接受数年的运行观察。相关信息可能会更早提供，但会被标记为“实验性”或类似标签。

Ross强调了正确处理此事的重要性：“这个系统负责的加州部分地区有数百万人居住，因此确保其正确运行至关重要。”
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）