Kafka +深度学习+ MQTT搭建可扩展的物联网平台「附源码」

问题导读

1.本项目包含哪些源码？

2.本文使用了哪些框架？

3.KSQL UDF如何实现？

文中链接查看，可点击：阅读原文

物联网+大数据+机器学习将会是以后的趋势，这里介绍一篇这方面的文章包含源码。

混合机器学习基础架构构建了一个场景，利用Apache Kafka作为可扩展的中枢神经系统。 公共云用于极大规模地训练分析模型（例如，通过Google ML Engine在Google Cloud Platform（GCP）上使用TensorFlow和TPU，预测（即模型推断）在本地Kafka基础设施的执行（ 例如，利用Kafka Streams或KSQL进行流分析）。

本文重点介绍内部部署。 创建了一个带有KSQL UDF的Github项目，用于传感器分析。 它利用KSQL的新API功能，使用Java轻松构建UDF / UDAF函数，对传入事件进行连续流处理。

使用案例：Connected Cars – 使用深度学习的实时流分析

从连接设备（本例中的汽车传感器）连续处理数百万个事件：

为此构建了不同的分析模型。 他们在公共云上接受TensorFlow，H2O和Google ML Engine的训练。 模型创建不是此示例的重点。 最终模型已经可以投入生产，可以部署用于实时预测。

模型服务可以通过模型server 完成，也可以本地嵌入到流处理应用程序中。 参阅RPC与流处理的权衡，以获得模型部署和….

演示：使用MQTT，Kafka和KSQL在Edge进行模型推理

Github项目：深度学习+KSQL UDF 用于流式异常检测MQTT物联网传感器数据

（下载源码：

ksql-udf-deep-learning-mqtt-iot-master.zip (474.64 KB, 下载次数: 0) ）

该项目的重点是通过MQTT将数据提取到Kafka并通过KSQL处理数据：

Confluent MQTT Proxy的一大优势是无需MQTT Broker即可实现物联网方案的简单性。 可以通过MQTT代理将消息直接从MQTT设备转发到Kafka。 这显着降低了工作量和成本。 如果你“只是”想要在Kafka和MQTT设备之间进行通信，这是一个完美的解决方案。

如果你想看到另一部分（与Elasticsearch / Grafana等接收器应用程序集成），请查看Github项目“KSQL for streaming IoT data”。 这实现了通过Kafka Connect和Elastic连接器与ElasticSearch和Grafana的集成。（源码下载：链接: https://pan.baidu.com/s/1FCFgAoF9v1ihp9fyqHeKag 密码: 67sz）

KSQL UDF – 源代码

开发UDF非常容易。 只需在UDF类中的一个Java方法中实现该函数：

[Bash shell] 纯文本查看 复制代码

?

1

@Udf(description = “apply analytic model to sensor input”) public String anomaly(String sensorinput){ “YOUR LOGIC” }

这里是所有代码：

[Java] 纯文本查看 复制代码

?

01

02

03

04

05

06

07

08

09

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

78

79

80

package com.github.megachucky.kafka.streams.machinelearning;

import java.util.Arrays;

import hex.genmodel.GenModel;

import hex.genmodel.easy.EasyPredictModelWrapper;

import hex.genmodel.easy.RowData;

import hex.genmodel.easy.exception.PredictException;

import hex.genmodel.easy.prediction.AutoEncoderModelPrediction;

import io.confluent.ksql.function.udf.Udf;

import io.confluent.ksql.function.udf.UdfDescription;

@UdfDescription(name = “anomaly”, description =”anomaly detection using deep learning”)

public class Anomaly {

// Model built with H2O R API:

// anomaly_model <- h2o.deeplearning(x = names(train_ecg),training_frame =

// train_ecg,activation = “Tanh”,autoencoder = TRUE,hidden =

// c(50,20,50),sparse = TRUE,l1 = 1e-4,epochs = 100)

// Name of the generated H2O model

private static String modelClassName = “io.confluent.ksql.function.udf.ml”

+ “.DeepLearning_model_R_1509973865970_1”;

@Udf(description = “apply analytic model to sensor input”)

public String anomaly(String sensorinput) {

System.out.println(“Kai: DL-UDF starting”);

GenModel rawModel;

try {

rawModel = (hex.genmodel.GenModel) Class.forName(modelClassName).newInstance();

EasyPredictModelWrapper model = new EasyPredictModelWrapper(rawModel);

// Prepare input sensor data to be in correct data format for the autoencoder model (double[]):

String[] inputStringArray = sensorinput.split(“#”);

double[] doubleValues = Arrays.stream(inputStringArray)

.mapToDouble(Double::parseDouble)

.toArray();

RowData row = new RowData();

int j = 0;

for (String colName : rawModel.getNames()) {

row.put(colName, doubleValues[j]);

j++;

}

AutoEncoderModelPrediction p = model.predictAutoEncoder(row);

// System.out.println(“original: ” + java.util.Arrays.toString(p.original));

// System.out.println(“reconstructedrowData: ” + p.reconstructedRowData);

// System.out.println(“reconstructed: ” + java.util.Arrays.toString(p.reconstructed));

double sum = 0;

for (int i = 0; i < p.original.length; i++) {

sum += (p.original[i] – p.reconstructed[i]) * (p.original[i] – p.reconstructed[i]);

}

// Calculate Mean Square Error => High reconstruction error means anomaly

double mse = sum / p.original.length;

System.out.println(“MSE: ” + mse);

String mseString = “” + mse;

return (mseString);

} catch (InstantiationException | IllegalAccessException | ClassNotFoundException e) {

System.out.println(e.toString());

} catch (PredictException e) {

System.out.println(e.toString());

}

return null;

}

}

如何使用Apache Kafka和MQTT Proxy运行演示？

执行演示的所有步骤都在Github项目中描述。

你只需安装Confluent Platform，然后按照以下步骤部署UDF，创建MQTT事件并通过KSQL levera处理它们….

这里使用Mosquitto生成MQTT消息。 当然，也可以使用任何其他MQTT客户端。 这是开放和标准化协议的巨大好处。