Menemukan anomali denganAWS Lambdafungsi

Masuk ke AWS Management Console dan buka konsol AWS Lambda di https://console.aws.amazon.com/lambda/.

Pilih Buat fungsi. Untuk informasi lebih lanjut, lihatMembuat Fungsi Lambda dengan Konsol.

Pilih opsi berikut.

PilihBuat fungsiuntuk membuatAWS Lambdafungsi.

Pada halaman fungsi, PilihKonfigurasitab.

PadaVariabel lingkunganpanel, pilihMengedit.

Tambahkan variabel lingkungan berikut. Untuk setiap variabel pilihTambahkan variabel lingkungandan kemudian masukkan kunci variabel dan nilai.

PilihSimpanuntuk menyimpan variabel lingkungan.

PadaIzinpanel, Di bawahNama peran, pilih peran eksekusi untuk membuka peran di konsol IAM.

DalamIzintab, pilihTambahkan izindan kemudianBuat kebijakan inline.

PilihJSONdan mengganti kebijakan yang ada dengan kebijakan berikut.

{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Action": "lookoutvision:DetectAnomalies",
            "Resource": "*",
            "Effect": "Allow",
            "Sid": "DetectAnomaliesAccess"
        }
    ]
}

Pilih Selanjutnya.

DalamRincian kebijakan, masukkan nama untuk kebijakan, sepertiDetectAnomalies-akses.

Pilih Buat kebijakan.

Jika Anda menyimpan gambar untuk analisis dalam bucket Amazon S3, ulangi langkah 10—14.

1. Untuk langkah 11, gunakan kebijakan berikut. Gantijalur ember/folderdengan bucket Amazon S3 dan jalur folder ke gambar yang ingin Anda analisis.

   {
       "Version": "2012-10-17",
       "Statement": [
           {
               "Sid": "S3Access",
               "Effect": "Allow",
               "Action": "s3:GetObject",
               "Resource": "arn:aws:s3:::bucket/folder path/*"
           }
       ]
   }

2. Untuk langkah 13, pilih nama kebijakan yang berbeda, sepertiS3Bucket-akses.

Buka prompt perintah dan masukkan perintah berikut.

pip install boto3 --target python/.
zip boto3-layer.zip -r python/
                

Perhatikan nama file zip (boto3-layer.zip). Anda membutuhkannya pada langkah 6 dari prosedur ini.

Buka konsol AWS Lambda tersebut di https://console.aws.amazon.com/lambda/.

Di panel navigasi, pilih Layers (Lapisan).

Pilih Buat lapisan.

Masukkan nilai untukNamadanDeskripsi.

PilihUnggah file.zipdan pilihlahUnggah.

Di kotak dialog, pilih arsip file.zip (boto3-layer.zip) yang Anda buat pada langkah 1 dari prosedur ini.

Untuk runtime yang kompatibel, pilihPython 3.9.

PilihBuatuntuk membuat layer.

Pilih ikon menu panel navigasi.

Di panel navigasi, pilih Fungsi.

Dalam daftar sumber daya, pilih fungsi yang Anda buatLangkah 1: BuatAWS Lambdafungsi (konsol).

PilihKodetab.

DalamLapisanbagian, pilihTambahkan layer.

PilihLapisan kustom.

DalamLapisan kustom, pilih nama layer yang Anda masukkan pada langkah 6.

DalamVersipilih versi layer, yang seharusnya 1.

Pilih Tambahkan.

Jika Anda tidak berada di konsol Lambda, lakukan hal berikut:

1. Buka konsol AWS Lambda tersebut di https://console.aws.amazon.com/lambda/.

2. Buka fungsi Lambda yang Anda buatLangkah 1: BuatAWS Lambdafungsi (konsol).

PilihKodetab.

DalamSumber kode, ganti kode dilambda_function.pydengan yang berikut:

# Copyright Amazon.com, Inc. or its affiliates. All Rights Reserved.
# SPDX-License-Identifier: Apache-2.0

"""
Purpose
An AWS lambda function that analyzes images with an Amazon Lookout for Vision model.
"""
import base64
import imghdr
from os import environ
from io import BytesIO
import logging
import boto3

from botocore.exceptions import ClientError


logger = logging.getLogger(__name__)


# Get the model and confidence.
project_name = environ['PROJECT_NAME']
model_version = environ['MODEL_VERSION']
min_confidence = int(environ.get('CONFIDENCE', 50))

lookoutvision_client = boto3.client('lookoutvision')


def lambda_handler(event, context):
    """
    Lambda handler function
    param: event: The event object for the Lambda function.
    param: context: The context object for the lambda function.
    return: The labels found in the image passed in the event
    object.
    """

    try:
        
        file_name = ""

        # Determine image source.
        if 'image' in event:
            # Decode the encoded image
            image_bytes = event['image'].encode('utf-8')
            img_b64decoded = base64.b64decode(image_bytes)
            image_type = get_image_type(img_b64decoded)
            image = BytesIO(img_b64decoded)
            file_name = event['filename']

        elif 'S3Object' in event:
            bucket = boto3.resource('s3').Bucket(event['S3Object']['Bucket'])
            image_object = bucket.Object(event['S3Object']['Name'])
            image = image_object.get().get('Body').read()
            image_type = get_image_type(image)
            file_name = f"s3://{event['S3Object']['Bucket']}/{event['S3Object']['Name']}"

        else:
            raise ValueError(
                'Invalid image source. Only base 64 encoded image bytes or images in S3 buckets are supported.')

        # Analyze the image.
        response = lookoutvision_client.detect_anomalies(
            ProjectName=project_name,
            ContentType=image_type,
            Body=image,
            ModelVersion=model_version)

        reject = reject_on_classification(
            response['DetectAnomalyResult'], confidence_limit=float(environ['CONFIDENCE'])/100)

        status = "anomalous" if reject else "normal"

        lambda_response = {
            "statusCode": 200,
            "body": {
                "Reject": reject,
                "RejectMessage": f"Image {file_name} is {status}."
            }
        }

    except ClientError as err:
        error_message = f"Couldn't analyze {file_name}. " + \
            err.response['Error']['Message']

        lambda_response = {
            'statusCode': 400,
            'body': {
                "Error": err.response['Error']['Code'],
                "ErrorMessage": error_message,
                "Image": file_name
            }
        }
        logger.error("Error function %s: %s",
                     context.invoked_function_arn, error_message)

    except ValueError as val_error:

        lambda_response = {
            'statusCode': 400,
            'body': {
                "Error": "ValueError",
                "ErrorMessage": format(val_error),
                "Image": event['filename']
            }
        }
        logger.error("Error function %s: %s",
                     context.invoked_function_arn, format(val_error))

    return lambda_response

def get_image_type(image):
    """
    Gets the format of the image. Raises an error
    if the type is not PNG or JPEG.
    :param image: The image that you want to check.
    :return The type of the image.

    """
    image_type = imghdr.what(None, image)

    if image_type == "jpeg":
        content_type = "image/jpeg"
    elif image_type == "png":
        content_type = "image/png"
    else:
        logger.info("Invalid image type")
        raise ValueError(
            "Invalid file format. Supply a jpeg or png format file.")
    return content_type


def reject_on_classification(prediction, confidence_limit):
    """
    Returns True if the anomaly confidence is greater than or equal to
    the supplied confidence limit.
    :param image: The name of the image file that was analyzed.
    :param prediction: The DetectAnomalyResult object returned from DetectAnomalies
    :param confidence_limit: The minimum acceptable confidence. Float value between 0 and 1.
    :return: True if the error condition indicates an anomaly, otherwise False.
    """

    reject = False

    if prediction['IsAnomalous'] and prediction['Confidence'] >= confidence_limit:
        reject = True
        reject_info = (f"Rejected: Anomaly confidence ({prediction['Confidence']:.2%}) is greater"
                       f" than limit ({confidence_limit:.2%})")
        logger.info("%s", reject_info)

    if not reject:
        logger.info("No anomalies found.")
    return reject

PilihMenyebarkanuntuk menyebarkan fungsi Lambda Anda.

Jika Anda belum melakukannya, lakukan hal berikut:

1. Pastikan pengguna menggunakan kode klien memilikilambda:InvokeFunctionizin. Anda dapat menggunakan izin berikut.

   {
       "Version": "2012-10-17",
       "Statement": [
           {
               "Sid": "LambdaPermission",
               "Effect": "Allow",
               "Action": "lambda:InvokeFunction",
               "Resource": "ARN for lambda function"
           }
       ]
   }

   Anda bisa mendapatkan ARN untuk fungsi fungsi Lambda Anda dari ikhtisar fungsi diKonsol Lambda.

   Untuk menyediakan akses, tambahkan izin ke pengguna, grup, atau peran Anda:

   • Pengguna dan grup diAWS IAM Identity Center:

     Buat set izin. Ikuti instruksi diBuat set izindi dalamAWS IAM Identity CenterPanduan Pengguna.

   • Pengguna yang dikelola dalam IAM melalui penyedia identitas:

     Buat peran untuk federasi identitas. Ikuti instruksi diMembuat peran untuk penyedia identitas pihak ketiga (federasi)di dalamPanduan Pengguna IAM.

   • Pengguna IAM:

     • Buat peran yang dapat diasumsikan pengguna Anda. Ikuti instruksi diMembuat peran untuk pengguna IAMdi dalamPanduan Pengguna IAM.

     • (Tidak disarankan) Lampirkan kebijakan langsung ke pengguna atau tambahkan pengguna ke grup pengguna. Ikuti instruksi diMenambahkan izin ke pengguna (konsol)di dalamPanduan Pengguna IAM.

2. Instal dan konfigurasikanAWSSDK untuk Python. Untuk informasi selengkapnya, lihat Langkah 4: Mengatur AWS CLI and AWS SDKs.

3. Mulai modelnyayang Anda tentukan pada langkah 7Langkah 1: BuatAWS Lambdafungsi (konsol).

Simpan kode berikut ke file bernamaclient.py.

# Copyright Amazon.com, Inc. or its affiliates. All Rights Reserved.
# SPDX-License-Identifier: Apache-2.0

"""
Purpose: Shows how to call the anomaly detection
AWS Lambda function.
"""
from botocore.exceptions import ClientError

import argparse
import logging
import base64
import json
import boto3
from os import environ

logger = logging.getLogger(__name__)

def analyze_image(function_name, image):
    """
    Analyzes an image with an AWS Lambda function.
    :param image: The image that you want to analyze.
    :return The status and classification result for
    the image analysis.
    """

    lambda_client = boto3.client('lambda')

    lambda_payload = {}

    if image.startswith('s3://'):
        logger.info("Analyzing image from S3 bucket: %s", image)
        bucket, key = image.replace("s3://", "").split("/", 1)
        s3_object = {
            'Bucket': bucket,
            'Name': key
        }
        lambda_payload = {"S3Object": s3_object}

    # Call the lambda function with the image.
    else:
        with open(image, 'rb') as image_file:
            logger.info("Analyzing local image image: %s ", image)
            image_bytes = image_file.read()
            data = base64.b64encode(image_bytes).decode("utf8")
            lambda_payload = {"image": data, "filename": image}

    response = lambda_client.invoke(FunctionName=function_name,
                                    Payload=json.dumps(lambda_payload))
    return json.loads(response['Payload'].read().decode())


def add_arguments(parser):
    """
    Adds command line arguments to the parser.
    :param parser: The command line parser.
    """

    parser.add_argument(
        "function", help="The name of the AWS Lambda function "
        "that you want to use to analyze the image.")
    parser.add_argument(
        "image", help="The local image that you want to analyze.")


def main():
    """
    Entrypoint for script.
    """
    try:
        logging.basicConfig(level=logging.INFO,
                            format="%(levelname)s: %(message)s")

        # Get command line arguments.
        parser = argparse.ArgumentParser(usage=argparse.SUPPRESS)
        add_arguments(parser)
        args = parser.parse_args()

        # Analyze image and display results.

        result = analyze_image(args.function, args.image)

        status = result['statusCode']

        if status == 200:
            classification = result['body']
            print(f"classification: {classification['Reject']}")
            print(f"Message: {classification['RejectMessage']}")
        else:
            print(f"Error: {result['statusCode']}")
            print(f"Message: {result['body']}")

    except ClientError as error:
        logging.error(error)
        print(error)


if __name__ == "__main__":
    main()

Jalankan kode tersebut. Untuk argumen baris perintah, berikan nama fungsi Lambda dan jalur ke gambar lokal yang ingin Anda analisis. Misalnya:

python client.py function_name /bucket/path/image.jpg

Jika berhasil, output adalah klasifikasi untuk anomali yang ditemukan dalam gambar. Jika klasifikasi tidak dikembalikan, pertimbangkan untuk menurunkan nilai kepercayaan yang Anda tetapkan pada langkah 7Langkah 1: BuatAWS Lambdafungsi (konsol).

Jika Anda telah selesai dengan fungsi Lambda dan model tidak digunakan oleh aplikasi lain,hentikan modelnya. Ingatlah untukmulai modellain kali Anda ingin menggunakan fungsi Lambda.