本文导读
IoTDA结合ModelArts实现预测分析
概述
在物联网解决方案中，针对庞大的数据进行自动学习时，需要对海量数据进行标注、训练，按照传统的方式进行标注、训练不仅耗时耗力，而且对资源消耗也非常巨大。华为云物联网平台可以通过规则引擎，将获取的海量数据流转到华为云其他云服务，从而实现将海量数据通过函数工作流（FunctionGraph）进行预处理，再将清洗后的数据流入AI开发平台（ModelArts）进行AI分析，并将分析结果统一转发至HTTP服务器中。
前提条件
- 已注册华为官方账号。未注册可参考注册华为账户完成注册。
- 已完成实名制认证。未完成可在华为云上单击实名认证完成认证，否则会影响后续云服务的开通。
- 已开通设备接入服务。未开通则访问设备接入服务，单击“免费试用”或单击“价格计算器”购买并开通该服务。
- 已开通FunctionGraph服务。未开通则访问FunctionGraph服务，单击“立即使用”后开通该服务。
- 已开通ModelArts服务。未开通则访问AI开发平台，单击“控制台”后进入该服务。
- 自建一个HTTP服务器，并提供POST接口用来接收推送的数据（本示例默认用户已经搭建好相应的服务器与接口，不再展示如何搭建HTTP服务器指导）。
示例场景
在本示例中，我们实现以下场景：
设备上报银行客户特征信息，物联网平台将数据转发至FunctionGraph，由FunctionGraph转发至ModelArts进行AI分析，最终将分析的结果转发至HTTP服务器中。
操作步骤如下：
- 创建并发布ModelArts模型。
- 配置FunctionGraph函数。
- 创建MQTT协议产品，并创建设备。
- 数据转发规则配置，将数据流转至FunctionGraph。
- 模拟数据上报及结果验证，查看HTTP服务器是否收到AI分析后的消息。
图1 场景说明
配置ModelArts模型
- 下载ModelArts-Lab工程，在\ModelArts-Lab-master\official_examples\Using_ModelArts_to_Create_a_Bank_Marketing_Application\data”目录下获取训练数据文件“train.csv”。该训练数据主要展示银行中的一种常见业务：根据客户特征（年龄、工作类型、婚姻状况、文化程度、是否有房贷和是否有个人贷款），预测客户是否愿意办理定期存款业务。
- 进入OBS控制台，单击右上角“创建桶”创建一个新的桶。并在桶内创建两个文件夹，如dataSource和output，分别存放数据源和modelArts的输出。
图2 OBS-新建文件夹
- 进入dataSource文件夹中，单击“上传对象”将训练数据“train.csv”存放在OBS中，供创建数据集使用。
图3 OBS-上传训练数据
- 登录华为云官方网站，访问AI开发平台，单击“控制台”，进入ModelArts服务。
- 如未授权ModelArts使用依赖的服务，可按照页面提示先进行授权操作，如已经授权可直接进行下一步。
图4 ModelArts-授权
图5 ModelArts-添加授权
- 选择左侧导航栏“资产管理>数据集”，进入数据集页面，并单击左上角“创建数据集”，按照如下方式创建数据集。
图6 ModelArts-创建数据集
- 选择左侧导航栏“开发生产>开发空间>自动学习>预测分析>创建项目”，进入创建预测分析界面。
图7 ModelArts-预测分析
- 选择6中创建的数据集，标签列（数据中预测结果的列，本示例中为str7），输出路径和训练规格后，单击“创建项目”。
图8 ModelArts-创建预测分析
- 创建项目需要等待约20分钟，当执行到服务部署时，选择资源池、AI应用及版本后，单击“继续运行”。
图9 ModelArts-服务部署
- 等部署完成之后，选择左侧导航栏“模型部署 > 在线服务”，进入在线服务页面中选择部署的服务， 单击“修改”，进入修改服务页面，打开APP认证进行授权配置，完成后单击“下一步”并提交。
图10 ModelArts-APP认证
- 单击“模型部署>在线服务”，单击进入已部署的服务，选择“预测”，复制以下数据到预测代码中后，单击“预测”后可查看返回结果，结果中的predict为no则表示用户不会办理存款。
{ "data": { "count": 1, "req_data": [ { "str1": "34", "str2": "blue-collar", "str3": "single", "str4": "tertiary", "str5": "no", "str6": "no" } ] } }图11 ModelArts-预测结果
- 更多详细关于Modelarts的说明可以参考ModelArts相关文档。
配置FunctionGraph函数
- 参考数据转发至FunctionGraph函数工作流进行函数工作流配置。本示例中由于需要使用ModelArts相关配置参数，可按照如下伪代码的方式，添加配置项并访问ModelArts预测接口，body体结构参考11。
完成代码编写后可参考打包工程进行打包。
依赖版本： commons-codec:commons-codec:1.15 commons-logging:commons-logging:1.2 com.google.code.gson:gson:2.8.6 org.apache.httpcomponents:httpclient:4.5.13 org.apache.httpcomponents:httpcore:4.4.13 com.huawei.apigateway:java-sdk-core:3.2.3 com.huawei.serverless:JavaRuntime:1.0.0 org.slf4j:slf4j-api:1.7.36 函数： public String funTest(String param, Context context) { String response = "err"; try { //1.打印函数接收到的消息。使用版本为com.huawei.serverless:JavaRuntime:1.0.0 log = context.getLogger(); log.log("receive data: " + param); //初始化gson。 版本为com.google.code.gson：gson:2.8.6 Gson gson = new Gson(); //初始化httpClient，版本为org.apache.httpcomponents:httpclient:4.5.13 CloseableHttpClient httpClient = HttpClientBuilder.create().setDefaultSocketConfig(SocketConfig.custom().setSoTimeout(5000).build()).setDefaultRequestConfig( RequestConfig.custom().setConnectTimeout(3000).setSocketTimeout(5000).build()).build(); //2.获取ModelArts预测链接. 用来拼装请求URL String forecastServerAddress = context.getUserData(FORECAST_SERVER_ADDRESS); log.log("forecastServerAddress: " + forecastServerAddress); //3.获取ModelArts中的AK/APP_KEY String ak = context.getUserData(ACCESS_KEY); //4.获取ModelArts中的SK/APP_SECRET String sk = context.getUserData(ACCESS_SECRET); //5.获取将预测结果推送的目的地址 String naServerAddress = context.getUserData(NA_MOCK_SERVER_ADDRESS); log.log("naServerAddress: " + naServerAddress); //6.使用gson将入参转换成设备消息上报推送的结构体DeviceMessage。推送结构体格式可参考设备消息上报推送 DeviceMessage deviceMessage = gson.fromJson(param, DeviceMessage.class); //7.将收到的设备消息转换成ModelArts预测通知的结构体ForecastData，该结构体客户可根据ModelArts要求定义并实现convertForcastData(deviceMessage)方法进行自定义转换 ForecastData forecastData = convertForcastData(deviceMessage); log.log("forcast dto is : " + forecastDto); //8.执行请求 //9.使用com.huawei.apigateway:java-sdk-core:3.2.3版本的request函数构造请求参数 Request request = new Request(); request.setUrl(forecastServerAddress); request.setMethod(HttpMethodName.POST.name()); request.setAppKey(ak); request.setAppSecrect(sk); request.addHeader(HttpHeaders.CONTENT_TYPE, ContentType.APPLICATION_JSON.toString()); //10.将ModelArts预测结构体通过gson转换成json当成请求的body体 String body = gson.toJson(forecastData); request.setBody(body); //11.通过com.huawei.apigateway:java-sdk-core:3.2.3版本中的Singer类对请求进行签名 Signer signer = new Signer(); signer.sign(request); //12.使用org.apache.httpcomponents:httpclient:4.5.13版本发送请求至ModelArts Map<String, String> headers = request.getHeaders(); HttpPost httpPost = new HttpPost(forecastServerAddress); headers.forEach(httpPost::setHeader); httpPost.setEntity(new StringEntity(body, ContentType.APPLICATION_JSON)); CloseableHttpResponse resp = httpClient.execute(httpPost); //13.将http response中的响应转换成String。 用户可自定义转换方法toString(resp) String modelArtsResp = toString(resp); //14.使用gson将响应转换成ModelArts响应结构体ForecastResp，该结构体格式客户可根据实际响应内容进行定义 ForecastResp forecastResp = gson.fromJson(modelArtsResp, ForecastResp.class); //15.客户可自定义constructPreResult()方法将forecastResp和deviceMessage中的消息内容组装成Result推送给http服务器，Result格式客户可根据实际需求定义。 Result result = constructPreResult(deviceMessage, forecastResp); //16.使用gson将result转成json当成请求body String resultBody = gson.toJson(result); //17.使用org.apache.httpcomponents:httpclient:4.5.13版本发送请求到http服务器 HttpPost httpPost = new HttpPost(naServerAddress); httpPost.setHeader("Content-Type", "application/json"); httpPost.setEntity(new StringEntity(resultBody, ContentType.APPLICATION_JSON)); CloseableHttpResponse naResponse = httpClient.execute(httpPost); //18.将http response中的响应转换成String。用户可自定义转换方法toString(naResponse) String response = toString(naResponse); log.log("response content is: + " + response); } catch (Exception e) { //打印异常 log.log(e.getMessage()); } return response; } - 登录函数工作流控制台在左侧导航栏选择“函数 > 函数列表”，进入函数列表界面，单击右上角“创建函数”。
- 按照下图所示填写函数配置信息，其中，运行时语言选择“Java 8”
图12 创建函数-ModelArts函数信息
- 进入已创建好的函数工作流中，单击“上传代码-JAR文件”，将1中的代码生成的JAR包上传至函数中。
图13 创建函数-上传JAR包
- 单击“设置>常规设置”，修改函数执行入口，设置为代码的执行入口函数路径。
图14 创建函数-修改函数执行入口
- 在同一页面，单击左侧菜单“环境变量”，设置环境变量信息如下。
表1 环境变量说明 环境变量
说明
FORECAST_SERVER_ADDRESS
访问ModelArts服务，单击“模型部署>在线服务”，进入部署服务后单击“调用指南”，选择支持App认证方式的API接口公网地址。见图13 ModelArts-查看调用信息
ACCESS_KEY
同上，选择AppKey。
ACCESS_SECRET
同上，选择AppSecret。
NA_MOCK_SERVER_ADDRESS
将预测结果推送至服务器的地址（本示例不再提供HTTP服务器搭建指导）。
图15 函数设置-环境变量
- 单击“代码>配置测试事件>创建新的测试事件>空白模板”。内容示例如下：
{ "resource": "device.message", "event": "report", "event_time": "20231227T082702Z", "event_time_ms": "2023-12-27T08:27:02.944Z", "request_id": "********", "notify_data": { "header": { "app_id": "********e", "device_id": "********", "node_id": "********", "product_id": "********", "gateway_id": "********" }, "body": { "topic": "$oc/devices/********/sys/messages/up", "content": { "age": "34", "profession": "blue-collar", "maritalStatus": "single", "educationalStatus": "tertiary", "realEstateSituation": "no", "loanStatus": "tertiary" } } } }图17 函数代码-配置测试事件
- 配置完测试事件后，单击“测试”，执行结果返回success（以实际函数返回结果为准），则表示成功。同时配置的HTTP服务器则能收到对应的预测结果。
图18 函数测试-测试结果
图19 HTTP服务器接收到预测结果
数据转发规则配置
- 选择左侧导航栏的“规则>数据转发”，单击“创建规则”。
- 参考下表参数说明，填写规则内容。以下参数取值仅为示例，您可参考用户指南创建自己的规则，填写完成后单击“创建规则”。
图21 新建消息上报流转规则-数据转发至FunctionGraph
表2 参数说明 参数名
参数说明
规则名称
自定义，如iotda-functiongraph。
规则描述
自定义，如数据转发至FunctionGraph服务。
数据来源
选择“设备消息”。
触发事件
自动匹配“设备消息上报”。
资源空间
和上一步创建的产品所在的资源空间保持一致。
数据过滤语句
通过编写SQL来解析和处理上报的JSON数据。
- 单击“设置转发目标”页签，单击“添加”，设置转发目标。
图22 新建转发目标-转发至FunctionGraph
参考下表参数说明，填写转发目标。填写完成后单击“确定”。
表3 参数说明 参数名
参数说明
转发目标
选择“函数工作流（FunctionGraph）”
区域
选择“函数工作流”区域。
目标函数
选择已配置的函数工作流。
- 单击“启动规则”，激活配置好的数据转发规则。
图23 启动规则-消息上报-转发至FunctionGraph
模拟数据上报及结果验证
- 在设备接入控制台“设备-所有设备-设备列表”中，单击创建的设备标识码进入设备详情，在“消息跟踪”页签中，单击“启动消息跟踪”，开启消息跟踪。
图24 消息跟踪-启动消息跟踪
- 使用MQTT模拟器连接到平台（模拟器使用请参考：使用MQTT.fx进行消息收发）。
- 使用模拟器进行消息上报，详情请参考：设备消息上报。
Topic: $oc/devices/{device_id}/sys/messages/up 数据格式： { "age": "34", "profession": "blue-collar", "maritalStatus": "single", "educationalStatus": "tertiary", "realEstateSituation": "no", "loanStatus": "tertiary" } - 在设备详情中，查看消息跟踪，是否收到消息上报，并转发至FunctionGraph。
图25 消息跟踪-消息上报流转至FunctionGraph
- 查看HTTP服务器是否收到预测结果。
图26 查看消息
父主题： 数据转发
