物联网（IoT）的一个典型利用场景是可能从传感器数据中获取上下文洞察力，例如剖析设施异样或者进行预测性保护，及时给予用户告诉。在本文中，咱们将专一于通过设施多项指标对设施进行预测性保护，利用机器学习算法，对设施运行状态进行预测，提前发现可能呈现的异样，及时进行保护，避免出现重大的生产事变。
{ 计划概述 }
本文应用机器学习办法进行预测性保护，采纳风力发电机模仿数据为示例数据集，利用Amazon SageMaker进行模型训练，并且部署推理端点。边缘侧设施将数据公布到Amazon IoT Core，应用IoT规定触发Lambda函数调用部署在Sagemaker下面的预测性保护端点的API，判断设施是否将出现异常，如出现异常，通过更新Amazon IoT Shadow从而主动敞开设施并发送告诉。
咱们应用的算法称为XGBoost （eXtreme Gradient Boosting），它是一种监督式学习算法， 尝试将一组较简略且较弱模型的一系列估计值联合在一起，从而精确地预测指标变量，能够用来解决回归、分类（二进制和多类）和排名问题。利用XGBoost预测设施是否会损坏，进行提前预测性保护。
本文中的演示应用风力发电机模仿数据，数据字段包含：
风速：wind_speed
叶片转速：RPM_blade
油温：oil_temperature
油位：oil_level
温度：temperature
湿度：humidity
振动频率vibrations_frequency
压力：pressure
风向：wind_direction
是否损坏：breakdown
您能够应用此解决方案自动检测潜在的设施故障，并提供倡议采取的措施。该解决方案易于部署，并蕴含示例数据集，您也能够批改该解决方案并应用其余数据集，从而构建您本人的IoT预测性保护计划。
下图显示了本计划采纳的架构
1.用于预测性保护的模型利用了存储在S3上的设施历史数据在Amazon SageMaker上进行训练。
2.训练好的模型利用SageMaker部署并裸露Endpoints提供预测服务。
3.数据从传感器发送到 IoT Core，通过IoT Rules Engine路由到Lambda函数。Lambda函数通过Sagemaker Endpoints调用预测性保护的机器学习模型。当检测到异样，Lambda函数将发送告诉，并通过IoT Shadow对设施进行相应操作。
在本文中，咱们将疏导您实现以下操作：
1.设置连贯的设施与 IoT Core进行通信
2.训练和部署SageMaker模型
3.创立云资源以监督和检测可能呈现行为异样的设施
4.利用模仿设施进行预测性保护测试并发送告诉
{ 试验筹备: IoT 设施模仿 }
本文采纳Cloud9 作为IoT 设施的模仿，从Cloud9下面收回模仿IoT音讯。
在EC2 控制台，启动一台EC2 实例，搜寻 Marketplace上的Cloud9。
** { 创立 IoT 策略 }
1.关上 IoT 控制台
https://console.amazonaws.cn/...
2.抉择 Secure （平安）-> Policies （策略）在 You don’t have a policy yet 页面上，抉择 Create a policy。如果您的账户之前曾经创立过策略，请抉择 Create.
3.创立策略页面
-在Name (名称) 中，输出策略的名称Windturbine_Policy
-在Action （操作） 字段中，输出iot:Connect,iot:Receive,iot:Publish,iot:Subscribe。这些是设施在从设施开发工具包运行示例程序时须要执行的权限。无关 IoT 策略的更多信息，请参阅IoT Core 策略。
https://samick-blog.s3.cn-nor...
-在Resource ARN （资源 ARN） 字段中，输出 *。这会抉择任何客户端（设施）。
-选中Allow 复选框
-在输出策略的信息后，抉择Create
{ 创立IoT设施 }
1.关上 IoT 控制台
https://console.amazonaws.cn/...
2.抉择治理 -> 物品 （Things）在You don’t have any things yet （您还没有任何事物） 上，抉择 Register a thing （注册事物）。如果您的账户曾经创立过一些事物，请抉择 Create.
3.在创立 IoT 物品上，抉择创立单个物品
4.Name （名称）字段中，输出物品的名称windturbine。将此页面上的其余字段留空。抉择 Next (下一步).
5.在Add a certificate for your thing （增加事物的证书） 上，抉择 Create certificate
6.在Certificate created! （证书已创立!） 页面上
-下载每个证书和密钥文件并将它们保留以供未来 应用
AmazonRootCA1.pem：https://www.amazontrust.com/r...
-点击Activate激活证书
7.抉择Attach a policy，用于将您在上一部分中创立的策略附加到此证书
8.在 Add a policy for your thing （增加物品的策略） 上，抉择您在上一部分中创立的策略Windturbine_Policy。
9.抉择 Register Thing
具体步骤请参考：
https://docs.amazonaws.cn/iot...
{ 创立Amazon SageMaker笔记本实例，训练和部署模型 }
1.创立一个笔记本实例windturbine，抉择t2.medium。抉择或者创立一个IAM角色（IAM Role）
2.其余局部抉择默认选项，点击创立（Create）
3.在笔记本创立实现后，关上Jupyter Lab，上传笔记本ipynb到Jupyter Lab。抉择内核为conda_python3
4.依照代码中的正文要求，替换应用您本人的 S3 bucket/prefix
5.运行Notebook，进行模型训练和部署
-训练数据曾经蕴含在代码外面，能够间接下载。
-数据荡涤 (删除turbine_id列，依照XGBoost的训练数据格式要求，删除表头并且将最初一列的推理后果breakdown挪到第一列）
-依照7：2：1的比率来拆分训练集，验证集和测试集，并上传到S3
-训练模型
-部署训练好的模型并生成用于推理的 Endpoint，记录好这个值，后续须要在IoT 规定引擎触发的Lambda 函数中应用。
{ 创立Lambda函数及SNS Topic用于推理，设施状态变更以及告诉 }
1.创立SNS告诉Topic，并应用本人的邮箱地址订阅该Topic，用于接管预测性保护的告诉。
2.创立一个Lambda 函数
-名称：windturbine_prediction
-运行时：Python 3.8
-权限：抉择一个IAM Role 能够应用IoT，SNS 和 SageMaker Endpoint
-内存：128 MB
-超时：30s
3.用lambda_function.py替换Lambda 代码，留神批改下列常量：
#批改成本人的Sagemaker Endpoint NameENDPOINT_NAME = 'xgboost-2021-03-08-10-43-34-693'#批改成本人的SNS TopicSNS_TOPIC_ARN = 'arn:aws-cn:sns:cn-northwest-1:account-id:NotifyMe'#批改成本人的手机号 （海内区SNS发短信）PHONE_NUMBER = '+8613812345678'{ 创立IoT规定，触发windturbine_ prediction Lambda函数 }
1.在Amazon IoT 控制台的导航窗格中，抉择 Act (口头).
2.在Rules 页面，抉择 Create
3.抉择Create
-名称：Invoke_windturbine_prediction
-Rule Query statement：
SELECT * FROM ‘windturbine/xgboost’
-在设置一个或多个操作中，抉择增加操作：发送音讯到Lambda函数 (send a message to a Lambda function)抉择windturbine_ prediction
-(可选)，错误操作：发送音讯给CloudWatch logs （Send message data to CloudWatch logs）：
windturbine_prediction
-抉择Create rule (创立规定)
{ 端到端测试 }
1.在Cloud9实例上用户的home目录中创立cert文件夹并上传下面第三步下载保留的IoT Things的证书到该文件夹中
2.上传device_simulator.py文件到Cloud9实例上用户的home目录中
3.上传模仿数据device_data.csv文件到Cloud9实例上用户的home目录中
4.依据您的理论配置批改py的代码
# 将host批改为本人AWS账户的IoT Endpointhost = "a1hk0pcc0as07l.ats.iot.cn-north-1.amazonaws.com.cn"#证书门路批改为本人环境下的证书门路rootCAPath = "cert/AmazonRootCA1.pem"certificatePath = "cert/windturbine.cert.pem"privateKeyPath = "cert/windturbine.private.key"5.运行代码
python device_simulator.py device_data.csv6.当部署的XGBoost模型端点预测到设施出现异常时，Lambda函数更新IoT设施影子（Shadows）将设施状态设置为Off（敞开状态），边缘IoT设施收到该状态设置标记，将设施进行，如下图所示：
同时Lambda还会触发揭示工作人员进行预测性保护的告诉。如下图所示：
{ 总结 }
您刚刚实现了如何将 IoT和Amazon SageMaker 一起应用，对一系列设施执行预测性保护的端到端入手试验，并应用Lambda和SNS进行警报监控其状态。咱们心愿本文有助于您了解如何在Amazon Web Services上对IoT设施数据进行无效洞察，并为您的特定用例提供一个良好的终点。
【参考资料】
IoT 控制台：
https://console.amazonaws.cn/...
Jpynb：
https://samick-blog.s3.cn-nor...
lambda_function.py：
https://samick-blog.s3.cn-nor...
Amazon IoT 控制台：
https://console.aws.amazon.co...
device_simulator.py：
https://samick-blog.s3.cn-nor...
device_data.csv：
https://samick-blog.s3.cn-nor...
【本篇作者】
郭松
亚马逊云科技解决方案架构师，负责企业级客户的架构征询及设计优化，同时致力于 Amazon IoT 和存储服务在国内和寰球企业客户的利用和推广。退出亚马逊云科技之前在EMC研发核心负责零碎工程师，对企业级存储利用的高可用架构，计划及性能调优有深入研究。
梁睿
亚马逊云科技解决方案架构师，次要负责企业级客户的上云工作，服务客户涵盖从汽车，传统生产制作，金融，酒店，航空，游览等，善于DevOps畛域。11 年 IT 业余服务教训，历任程序开发，软件架构师、解决方案架构师。