用于傳感器分析的KSQL UDF。利用KSQL的新的API特性，用Java輕松地構(gòu)建UDF / UDAF函數(shù)，從而使用Apache Kafka進行連續(xù)流處理。用例：聯(lián)網(wǎng)汽車——使用深度學習的實時流媒體分析。

我為混合機器學習基礎(chǔ)設(shè)施構(gòu)建了一個場景，利用Apache Kafka作為可伸縮的中樞神經(jīng)系統(tǒng)。使用公共云在極端尺度下訓練分析模型（如通過谷歌ML引擎在谷歌云平臺（GCP）上使用TensorFlow和TPUs。預測（即模型推斷）是在本地Kafka基礎(chǔ)設(shè)施的邊緣前提下執(zhí)行的（例如利用Kafka流或KSQL進行流分析）。

這篇文章的重點是在前提部署。我用KSQL UDF創(chuàng)建了一個用于傳感器分析的Github項目。它利用KSQL的新API特性輕松地使用Java構(gòu)建UDF / UDAF函數(shù)，對傳入事件進行連續(xù)流處理。

用例：聯(lián)網(wǎng)汽車——使用深度學習的實時流媒體分析

連續(xù)處理來自連接設(shè)備（本例中的汽車傳感器）的數(shù)百萬個事件：

我建立了不同的分析模型。他們在公共云上接受訓練，利用TensorFlow、H2O和谷歌ML引擎。模型創(chuàng)建不是這個示例的重點。最終的模型已經(jīng)準備好投入生產(chǎn)，并可以部署進行實時預測。

模型服務(wù)可以通過模型服務(wù)器或原生嵌入到流處理應用程序中來完成。查看模型部署中RPC與流處理的權(quán)衡和“TensorFlow + gRPC + Kafka流”示例。

演示：使用MQTT、Kafka和KSQL在邊緣進行模型推斷

Github項目生成汽車傳感器數(shù)據(jù)，通過Confluent MQTT代理將其轉(zhuǎn)發(fā)到Kafka集群進行KSQL處理和實時分析。

這個項目主要是通過MQTT將數(shù)據(jù)輸入Kafka，通過KSQL對數(shù)據(jù)進行處理：

Confluent MQTT代理的一大優(yōu)點是可以簡單地實現(xiàn)物聯(lián)網(wǎng)場景，而不需要MQTT代理。您可以通過MQTT代理直接將消息從MQTT設(shè)備轉(zhuǎn)發(fā)到Kafka。這大大減少了工作和成本。如果您“只是”希望在Kafka和MQTT設(shè)備之間進行通信，那么這是一個完美的解決方案。

如果你想看這個故事的其他部分（與像Elasticsearch / Grafana這樣的sink應用的集成），請看看Github項目“KSQL流物聯(lián)網(wǎng)數(shù)據(jù)”。通過Kafka Connect和Elastic connector實現(xiàn)了與ElasticSearch和Grafana的集成。

KSQL UDF 源代碼

開發(fā)udf非常容易。只需在一個UDF類中實現(xiàn)一個Java方法：

下面是KSQL UDF異常檢測的完整源代碼。（Anomaly Detection KSQL UDF.）

如何運行與Apache Kafka和MQTT代理演示？

在Github項目中描述了執(zhí)行演示的所有步驟。

您只需要安裝Confluent Platform，然后按照以下步驟部署UDF、創(chuàng)建MQTT事件并通過利用分析模型的KSQL處理它們。

我使用mosquito to生成MQTT消息。當然，您也可以使用任何其他MQTT客戶機。這就是開放和標準化協(xié)議的最大好處。
責任編輯:pj