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：
@Udf(description = "apply analytic model to sensor input") public String anomaly(String sensorinput){ "YOUR LOGIC" }
这里是所有代码：
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。
