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：
Kafka +深度学习+ MQTT搭建可扩展的物联网平台【附源码】

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： Kafka +深度学习+ MQTT搭建可扩展的物联网平台【附源码】 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：

Kafka +深度学习+ MQTT搭建可扩展的物联网平台【附源码】 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

@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

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。

到此结束，文章虽然简短，但是内容确实很丰富，特别项目的源码的阅读，在github上有详细的介绍。为方便阅读，微信点此可查看

https://github.com/kaiwaehner/ksql-udf-deep-learning-mqtt-iot

https://github.com/kaiwaehner/ksql-fork-with-deep-learning-function

原文有内嵌链接。

推荐关注Java大数据编程学习，第一时间，分享更多干货，欢迎转发和分享。

Kafka +深度学习+ MQTT搭建可扩展的物联网平台【附源码】