終止支援通知：在 2025 年 12 月 15 日， AWS 將終止對 的支援 AWS IoT Analytics。2025 年 12 月 15 日之後，您將無法再存取 AWS IoT Analytics 主控台或 AWS IoT Analytics 資源。如需詳細資訊，請參閱[AWS IoT Analytics 終止支援](https://docs.aws.amazon.com/iotanalytics/latest/userguide/iotanalytics-end-of-support.html)。 本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。 # 使用自訂容器進行分析 本節包含如何使用 Jupyter 筆記本建置 Docker 容器的相關資訊。如果您重複使用第三方建置的筆記本，有安全風險：包含的容器可以使用您的使用者許可來執行任意程式碼。此外，筆記本產生的 HTML 可以顯示在 AWS IoT Analytics 主控台中，在顯示 HTML 的電腦上提供潛在的攻擊向量。在使用任何第三方筆記本之前，請確定您信任其撰寫者。 您可以建立自己的自訂容器，並使用 AWS IoT Analytics 服務執行它。若要這樣做，您可以設定 Docker 映像並將其上傳至 Amazon ECR，然後設定資料集以執行容器動作。本章節提供使用 Octave 的程序範例。 此教學課程假設您擁有： + 安裝在本機電腦的 Octave + 在本機電腦上設定的 Docker 帳戶 + 具有 Amazon ECR 或 AWS IoT Analytics 存取權 AWS 的帳戶 **步驟 1：設定 Docker 影像** 在此教學課程中您需要三個主要檔案。其名稱和內容在此： + `Dockerfile` – Docker 容器化程序的初始設定。 ``` FROM ubuntu:16.04 # Get required set of software RUN apt-get update RUN apt-get install -y software-properties-common RUN apt-get install -y octave RUN apt-get install -y python3-pip # Get boto3 for S3 and other libraries RUN pip3 install --upgrade pip RUN pip3 install boto3 RUN pip3 install urllib3 # Move scripts over ADD moment moment ADD run-octave.py run-octave.py # Start python script ENTRYPOINT ["python3", "run-octave.py"] ``` + `run-octave.py` – 從 剖析 JSON AWS IoT Analytics、執行 Octave 指令碼，並將成品上傳至 Amazon S3。 ``` import boto3 import json import os import sys from urllib.parse import urlparse # Parse the JSON from IoT Analytics with open('/opt/ml/input/data/iotanalytics/params') as params_file: params = json.load(params_file) variables = params['Variables'] order = variables['order'] input_s3_bucket = variables['inputDataS3BucketName'] input_s3_key = variables['inputDataS3Key'] output_s3_uri = variables['octaveResultS3URI'] local_input_filename = "input.txt" local_output_filename = "output.mat" # Pull input data from S3... s3 = boto3.resource('s3') s3.Bucket(input_s3_bucket).download_file(input_s3_key, local_input_filename) # Run Octave Script os.system("octave moment {} {} {}".format(local_input_filename, local_output_filename, order)) # # Upload the artifacts to S3 output_s3_url = urlparse(output_s3_uri) output_s3_bucket = output_s3_url.netloc output_s3_key = output_s3_url.path[1:] s3.Object(output_s3_bucket, output_s3_key).put(Body=open(local_output_filename, 'rb'), ACL='bucket-owner-full-control') ``` + `moment` – 簡單的 Octave 指令碼，可根據輸入或輸出檔案和指定的順序來計算時刻。 ``` #!/usr/bin/octave -qf arg_list = argv (); input_filename = arg_list{1}; output_filename = arg_list{2}; order = str2num(arg_list{3}); [D,delimiterOut]=importdata(input_filename) M = moment(D, order) save(output_filename,'M') ``` 1. 下載每個檔案的內容。建立新的目錄，並將所有檔案放入其中，然後`cd`放入該目錄。 1. 執行下列命令。 ``` docker build -t octave-moment . ``` 1. 您應該會在 Docker 儲存庫中看到新的映像。執行下列命令來驗證它。 ``` docker image ls | grep octave-moment ``` **步驟 2：將 Docker 映像上傳至 Amazon ECR 儲存庫** 1. 在 Amazon ECR 中建立儲存庫。 ``` aws ecr create-repository --repository-name octave-moment ``` 1. 取得 Docker 環境的登入。 ``` aws ecr get-login ``` 1. 複製輸出並執行它。輸出看起來應該如下。 ``` docker login -u AWS -p {{password}} -e none https://{{your-aws-account-id}}.dkr.ecr..amazonaws.com ``` 1. 標記您使用 Amazon ECR 儲存庫標籤建立的映像。 ``` docker tag {{your-image-id}} {{your-aws-account-id}}.dkr.ecr.{{region}}.amazonaws.com/octave-moment ``` 1. 將映像推送至 Amazon ECR。 ``` docker push {{your-aws-account-id}}.dkr.ecr.{{region}}.amazonaws.com/octave-moment ``` **步驟 3：將範例資料上傳至 Amazon S3 儲存貯體** 1. 下載以下內容以存檔 `input.txt`。 ``` 0.857549 -0.987565 -0.467288 -0.252233 -2.298007 0.030077 -1.243324 -0.692745 0.563276 0.772901 -0.508862 -0.404303 -1.363477 -1.812281 -0.296744 -0.203897 0.746533 0.048276 0.075284 0.125395 0.829358 1.246402 -1.310275 -2.737117 0.024629 1.206120 0.895101 1.075549 1.897416 1.383577 ``` 1. 建立名為 的 Amazon S3 儲存貯體`octave-sample-data-{{your-aws-account-id}}`。 1. 將檔案上傳至您剛建立的 Amazon S3 `input.txt`儲存貯體。您現在應該有一個名為 的儲存貯`octave-sample-data-{{your-aws-account-id}}`體，其中包含 `input.txt` 檔案。 **步驟 4：建立容器執行角色** 1. 將以下內容複製到名為 的檔案`role1.json`。將 {{your-aws-account-id}} 取代為 AWS 您的帳戶 ID，並將 {{aws-region}} 取代為您 AWS 資源 AWS 的區域。 **注意** 此範例包含全域條件內容金鑰，以防止混淆代理人安全問題。如需詳細資訊，請參閱[預防跨服務混淆代理人](cross-service-confused-deputy-prevention.md)。 ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": { "Service": [ "sagemaker.amazonaws.com", "iotanalytics.amazonaws.com" ] }, "Action": "sts:AssumeRole", "Condition": { "StringEquals": { "aws:SourceAccount": "{{123456789012}}" }, "ArnLike": { "aws:SourceArn": "arn:aws:iotanalytics:{{us-east-1}}:{{123456789012}}:dataset/{{your-dataset}}" } } } ] } ``` ------ 1. 使用您下載的檔案建立角色 AWS IoT Analytics，以授予對 SageMaker AI 和 `role1.json`的存取許可。 ``` aws iam create-role --role-name container-execution-role --assume-role-policy-document file://role1.json ``` 1. 將以下內容下載至名為 的檔案，`policy1.json`並以{{`your-account-id`}}您的帳戶 ID 取代 （請參閱 下的第二個 ARN`Statement:Resource`)。 ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "s3:GetBucketLocation", "s3:PutObject", "s3:GetObject", "s3:PutObjectAcl" ], "Resource": [ "arn:aws:s3:*:*:dataset/*", "arn:aws:s3:*:*:octave-sample-data-{{123456789012}}/*" ] }, { "Effect": "Allow", "Action": [ "iotanalytics:*" ], "Resource": "*" }, { "Effect": "Allow", "Action": [ "ecr:GetAuthorizationToken", "ecr:GetDownloadUrlForLayer", "ecr:BatchGetImage", "ecr:BatchCheckLayerAvailability", "logs:CreateLogGroup", "logs:CreateLogStream", "logs:DescribeLogStreams", "logs:GetLogEvents", "logs:PutLogEvents" ], "Resource": "*" }, { "Effect": "Allow", "Action": [ "s3:GetBucketLocation", "s3:ListBucket", "s3:ListAllMyBuckets" ], "Resource": "*" } ] } ``` ------ 1. 使用您剛下載`policy.json`的檔案建立 IAM 政策。 ``` aws iam create-policy --policy-name ContainerExecutionPolicy --policy-document file://policy1.json ``` 1. 將政策連接到角色。 ``` aws iam attach-role-policy --role-name container-execution-role --policy-arn arn:aws:iam::{{your-account-id}}:policy/ContainerExecutionPolicy ``` **步驟 5：使用容器動作建立資料集** 1. 將以下內容下載至名為 的 fie{{`region`}}，`cli-input.json`並以適當的值取代 {{`your-account-id`}}和 的所有執行個體。 ``` { "datasetName": "octave_dataset", "actions": [ { "actionName": "octave", "containerAction": { "image": "{{your-account-id}}.dkr.ecr.{{region}}.amazonaws.com/octave-moment", "executionRoleArn": "arn:aws:iam::{{your-account-id}}:role/container-execution-role", "resourceConfiguration": { "computeType": "ACU_1", "volumeSizeInGB": 1 }, "variables": [ { "name": "octaveResultS3URI", "outputFileUriValue": { "fileName": "output.mat" } }, { "name": "inputDataS3BucketName", "stringValue": "octave-sample-data-{{your-account-id}}" }, { "name": "inputDataS3Key", "stringValue": "input.txt" }, { "name": "order", "stringValue": "3" } ] } } ] } ``` 1. 使用`cli-input.json`您剛下載和編輯的檔案建立資料集。 ``` aws iotanalytics create-dataset —cli-input-json file://cli-input.json ``` **步驟 6：叫用資料集內容產生** 1. 執行下列命令。 ``` aws iotanalytics create-dataset-content --dataset-name octave-dataset ``` **步驟 7：取得資料集內容** 1. 執行下列命令。 ``` aws iotanalytics get-dataset-content --dataset-name octave-dataset --version-id \$LATEST ``` 1. 您可能需要等待幾分鐘，直到 `DatasetContentState`為 `SUCCEEDED`。 **步驟 8：在 Octave上列印輸出** 1. 執行下列命令，使用 Octave shell 從容器列印輸出。 ``` bash> octave octave> load output.mat octave> disp(M) -0.016393 -0.098061 0.380311 -0.564377 -1.318744 ```