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？



关注最新经典文章，欢迎关注公众号



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: 31)

2018-8-9 19:44 上传

点击文件名下载附件 ）
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：
   [mw_shl_code=bash,true] @Udf(description = "apply analytic model to sensor input")             public String anomaly(String sensorinput){ "YOUR LOGIC" } [/mw_shl_code]        
这里是所有代码：
[mw_shl_code=java,true]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 - p.reconstructed) * (p.original - p.reconstructed);
            }
            // 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;
         
  }


}
[/mw_shl_code]

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。
转载注明本文链接：
Kafka +深度学习+ MQTT搭建可扩展的物联网平台【附源码】
http://www.aboutyun.com/forum.php?mod=viewthread&tid=25033