?？?/p>

摘 要：為解決現(xiàn)有家居控制系統(tǒng)在語音識別云平臺選擇上相對被動及缺少對用戶行為分析的問題，文中結(jié)合云計(jì)算、大數(shù)據(jù)技術(shù)設(shè)計(jì)能夠橋接百度、訊飛等語音平臺的分布式云中間件，以及能夠?qū)τ脩粜袨檫M(jìn)行分析的AI云平臺。該平臺不僅可以讓用戶自主選擇合適的語音處理平臺，還可存儲大量語音信息，運(yùn)用數(shù)據(jù)挖掘算法對信息進(jìn)行處理，分析出用戶的生活習(xí)慣，為用戶提供更加智能的服務(wù)。

關(guān)鍵詞：智能家居;語音識別;AI云平臺;分布式云中間件;數(shù)據(jù)挖掘;用戶行為分析

中圖分類號：TP271文獻(xiàn)標(biāo)識碼：A文章編號：2095-1302（2019）02-00-03

0 引 言

隨著科學(xué)技術(shù)的快速發(fā)展，語音識別技術(shù)已經(jīng)出現(xiàn)在家電、汽車電子、移動通信等領(lǐng)域。國外亞馬遜、Google、蘋果等大型公司的語音識別技術(shù)已經(jīng)發(fā)展成熟且相應(yīng)的產(chǎn)品也不斷涌現(xiàn)，如亞馬遜的Echo，Google的Google Xbox，蘋果的Siri。國內(nèi)語音識別技術(shù)也取得了較大突破，如科大訊飛、百度、阿里等公司已搭建了自己的語音識別引擎，開發(fā)者可通過調(diào)用API獲取相應(yīng)的服務(wù)。然而，各平臺彼此各有優(yōu)缺點(diǎn)，沒有統(tǒng)一的接口標(biāo)準(zhǔn)，各自相對獨(dú)立，使得智能家居的語音接入在平臺選擇上相對被動。中國第三屆國際物聯(lián)網(wǎng)大會的召開[1]，把“數(shù)據(jù)挖掘”引入了智能家居，利用挖掘算法對用戶行為進(jìn)行分析，發(fā)現(xiàn)用戶的生活習(xí)慣，給用戶提供更加智能化的家居體驗(yàn)。

本文結(jié)合云計(jì)算技術(shù)設(shè)計(jì)能夠連接百度、訊飛等各大語音識別引擎的云中間件系統(tǒng)，以及能夠讓用戶與家居設(shè)備更好地互動的AI云平臺，從而達(dá)到方便用戶進(jìn)行家居控制，提升智能家居用戶體驗(yàn)的目的。

1 需求分析

1.1 云平臺語音數(shù)據(jù)的獲取

本地可通過麥克風(fēng)、手機(jī)、平板等設(shè)備獲取語音，通過智能網(wǎng)關(guān)將處理后的語音上傳到云平臺。

1.2 語音數(shù)據(jù)的轉(zhuǎn)發(fā)

語音數(shù)據(jù)的轉(zhuǎn)發(fā)通過中間件實(shí)現(xiàn)，中間件平臺將接收到的語音信息轉(zhuǎn)發(fā)至平臺外部語音識別引擎進(jìn)行語音識別。

1.3 語音數(shù)據(jù)的存儲

中間件平臺接收經(jīng)過語音引擎識別后的語音信息，并將信息存儲到AI云平臺。

1.4 用戶相關(guān)信息處理

用戶相關(guān)信息處理包括用戶注冊、登錄、注銷、訂閱設(shè)備、控制設(shè)備、家庭留言板等。注冊階段用戶需準(zhǔn)確填寫信息，方便后期大數(shù)據(jù)的挖掘處理。

1.5 用戶行為分析

根據(jù)平臺存儲的大量語音控制信息進(jìn)行數(shù)據(jù)挖掘工作，分析出用戶的生活習(xí)慣，得出用戶習(xí)慣表，依此結(jié)果制定智能家居控制策略，提升用戶的智能體驗(yàn)。例如，用戶發(fā)出“打開電視”的語音消息時(shí)，電視能夠呈現(xiàn)給用戶比較感興趣的頻道或電視節(jié)目。

1.6 下達(dá)控制指令

云平臺將接收到的語音信息經(jīng)過處理與分析后找出控制指令，并將指令傳至智能網(wǎng)關(guān)下達(dá)到設(shè)備，從而實(shí)現(xiàn)對設(shè)備的控制。

2 云平臺的設(shè)計(jì)

2.1 云平臺總體架構(gòu)設(shè)計(jì)

智能家居語音識別通用語音AI云平臺的設(shè)計(jì)主要是對語音處理模塊進(jìn)行設(shè)計(jì)，語音處理模塊包括語音錄入開發(fā)接口、語音識別快速開發(fā)接口及語音識別應(yīng)用開發(fā)接口。

語音錄入開發(fā)接口：硬件設(shè)備（如麥克風(fēng)）在本地獲取原始語音數(shù)據(jù)，經(jīng)過去噪、A/D轉(zhuǎn)換后由網(wǎng)關(guān)上傳至云平臺，平臺通過語音錄入接口獲取語音數(shù)據(jù)。

語音識別快速開發(fā)接口：云平臺獲取到語音數(shù)據(jù)進(jìn)行語音識別，即進(jìn)行語音格式轉(zhuǎn)換。該部分功能通過調(diào)用本文設(shè)計(jì)的中間件平臺實(shí)現(xiàn)。

語音識別應(yīng)用開發(fā)接口：云平臺接收識別后的語音指令，該接口實(shí)現(xiàn)大量指令數(shù)據(jù)的存儲與分析，通過分析從中發(fā)現(xiàn)用戶的生活習(xí)慣。該部分功能利用目前比較熱門的Hadoop技術(shù)，結(jié)合二分K-means聚類分析算法與Apriori關(guān)聯(lián)分析算法實(shí)現(xiàn)。

云平臺整體架構(gòu)如圖1所示。

2.2 數(shù)據(jù)分析

為了使用戶有更智能的家居體驗(yàn)，有必要對海量用戶行為信息進(jìn)行數(shù)據(jù)挖掘，發(fā)現(xiàn)用戶的行為習(xí)慣，從而使家居控制系統(tǒng)根據(jù)用戶習(xí)慣制定家居控制策略。

2.2.1 云計(jì)算架構(gòu)Hadoop

Hadoop是一個(gè)分布式計(jì)算框架，利用服務(wù)器集群，根據(jù)用戶自定義業(yè)務(wù)邏輯，對海量數(shù)據(jù)進(jìn)行分布式處理。Hadoop框架透明地為應(yīng)用提供可靠性和數(shù)據(jù)移動，具有效率高、可移植性高、擴(kuò)容能力強(qiáng)等優(yōu)點(diǎn)。Hadoop框架包含多個(gè)子項(xiàng)目，但主要由Hadoop分布式文件系統(tǒng)（Hadoop Distributed File System，HDFS）和映射/規(guī)約引擎（Map/Reduce Engine）兩個(gè)主要子項(xiàng)目構(gòu)成。本文采用HDFS存儲大量用戶行為信息，在Map和Reduce函數(shù)中實(shí)現(xiàn)算法，輸出分析結(jié)果。

2.2.2 分析算法

（1）Apriori關(guān)聯(lián)分析算法

本文采用著名的Apriori關(guān)聯(lián)分析算法對智能家居中的用戶行為活動進(jìn)行分析，挖掘出大量語音控制指令之間的相關(guān)性，并把這些相關(guān)性較高的指令整理成某種模式存入AI云平臺，當(dāng)生活中出現(xiàn)相同情景時(shí)，系統(tǒng)自動做出相應(yīng)反應(yīng)配合用戶，從而達(dá)到減少用戶行為、節(jié)約環(huán)保等目的。

Apriori關(guān)聯(lián)規(guī)則是形如X->Y的蘊(yùn)涵表達(dá)式，其中X和Y是不相交的項(xiàng)集，即X∩Y=。關(guān)聯(lián)規(guī)則強(qiáng)度可用支持度（s）和置信度（c）衡量，支持度確定規(guī)則可用于給定數(shù)據(jù)集的頻繁程度，置信度確定Y在包含X的交易中出現(xiàn)的頻繁程度，支持度和置信度的定義如下：

式中：N為數(shù)據(jù)集;σ（x）表示數(shù)據(jù)N中包含項(xiàng)x的事物數(shù)目。

算法過程如下[2]：

①根據(jù)實(shí)際需求確定最小支持度;

②從指令數(shù)據(jù)庫中整理出候選1-項(xiàng)集并記作C1，從候選1-項(xiàng)集中找出滿足最小支持度的項(xiàng)，組成頻繁1-項(xiàng)集，記作L1;

③同步驟①使用頻繁1-項(xiàng)集生成候選2-項(xiàng)集，在候選2-項(xiàng)集中找出滿足最小支持度的項(xiàng)，組成頻繁2-項(xiàng)集，依次計(jì)算;

④當(dāng)從候選（n+1）-項(xiàng)集中找不到滿足條件的頻繁（n+1）-項(xiàng)集時(shí)，算法終止。

（2）聚類分析

將類別不確定的數(shù)據(jù)劃分到不同類的過程稱為聚類。在智能家居AI云平臺中可通過聚類分析，試圖找出用戶生活中某些特點(diǎn)鮮明的習(xí)慣，由此制定出更符合用戶需求的家居控制策略。本文為了發(fā)現(xiàn)用戶某些行為的類別，在原始的K-Means算法上進(jìn)行優(yōu)化，采用二分K-Means（bisecting K-means）算法對語音數(shù)據(jù)進(jìn)行處理，實(shí)現(xiàn)對用戶行為的準(zhǔn)確劃分。

二分K-Means算法是基于距離的非層次聚類算法，在最小誤差函數(shù)的基礎(chǔ)上，將數(shù)據(jù)劃分為預(yù)定的類數(shù)k，采用距離作為相似性評價(jià)標(biāo)準(zhǔn)，即認(rèn)為兩個(gè)對象的距離越近，其相似度越大。樣本間的相似性采用歐幾里得距離衡量：

使用誤差平方和（Sum of the Squared Error，SSE）作為聚類的目標(biāo)函數(shù)，兩次運(yùn)行K均值產(chǎn)生兩個(gè)不同的簇集，使用時(shí)選擇SSE最小的一個(gè)。

二分K-Means算法的具體步驟如下：

①將所有數(shù)據(jù)看成一個(gè)簇，并將樣本數(shù)據(jù)劃分為K類;

②當(dāng)簇?cái)?shù)小于K時(shí)，對每個(gè)簇計(jì)算總誤差;

③在給定的簇上進(jìn)行K-Means聚類，K值為2;

④計(jì)算將該簇劃分成兩個(gè)簇后的總誤差和未參與劃分的簇的總誤差，選擇總誤差最小的一個(gè)簇進(jìn)行劃分;

⑤當(dāng)質(zhì)心數(shù)小于K時(shí)，轉(zhuǎn)到步驟②，否則，得到聚類結(jié)果。

3 AI云中間件的設(shè)計(jì)

為了實(shí)現(xiàn)用戶自主選擇語音識別引擎，提高語音識別準(zhǔn)確率，本文設(shè)計(jì)基于SOA的AI云中間件[3]，將百度、Google、訊飛等云平臺進(jìn)行橋接，提供平臺自主選擇服務(wù)，具有較高的靈活性和實(shí)用性。該中間件可根據(jù)需求提供基于點(diǎn)對點(diǎn)以及基于發(fā)布-訂閱模式的消息訂閱，同時(shí)具備靈活的消息過濾功能與業(yè)務(wù)規(guī)則定制功能，并具有對業(yè)務(wù)子系統(tǒng)收發(fā)消息狀態(tài)的監(jiān)控功能。該中間件還運(yùn)用分布式緩存技術(shù)，當(dāng)某個(gè)應(yīng)用程序發(fā)生異常，如斷電、硬件故障停機(jī)時(shí)，中間件先把發(fā)送的消息緩存起來，當(dāng)被調(diào)用的應(yīng)用程序正常時(shí)，再交給應(yīng)用程序處理。

綜合以上分析，本文設(shè)計(jì)的中間件具有以下功能：

（1）注冊服務(wù)

系統(tǒng)管理員把服務(wù)信息暴露給中間件，向中間件系統(tǒng)請求注冊服務(wù)。中間件獲取服務(wù)的相關(guān)信息后，向消費(fèi)者提供服務(wù)代理。

（2）配置消息轉(zhuǎn)發(fā)

系統(tǒng)管理員給中間件系統(tǒng)配置消息轉(zhuǎn)發(fā)條件，當(dāng)中間件系統(tǒng)的服務(wù)代理接收到請求消息后，能夠根據(jù)不同的請求選擇合適的語音處理平臺。

（3）分布式緩存

本文中間件運(yùn)用分布式緩存技術(shù)進(jìn)行設(shè)計(jì)，當(dāng)分布式緩存中存儲語音數(shù)據(jù)的某個(gè)節(jié)點(diǎn)發(fā)生故障時(shí)，不會影響其他節(jié)點(diǎn)的數(shù)據(jù)存儲，從而實(shí)現(xiàn)中間件數(shù)據(jù)持久化功能。

（4）查看服務(wù)運(yùn)行情況

本文設(shè)計(jì)的AI云中間件提供請求監(jiān)控服務(wù)，管理員可查看不同語音識別引擎內(nèi)語音識別的運(yùn)行情況，如請求總數(shù)、錯誤請求總數(shù)、上一次發(fā)送請求的時(shí)間等信息。

中間件總體框架如圖2所示。

表現(xiàn)層：界面子程序負(fù)責(zé)展示中間件系統(tǒng)提供的服務(wù)，如注冊、登錄、刪除用戶等，實(shí)現(xiàn)用戶與平臺之間的交互。

業(yè)務(wù)層：服務(wù)管理引擎負(fù)責(zé)中間件系統(tǒng)啟動、初始化等與運(yùn)行相關(guān)的功能;消息處理模塊負(fù)責(zé)接收語音、語音轉(zhuǎn)發(fā)、發(fā)送處理后的語音數(shù)據(jù)至AI云平臺;服務(wù)監(jiān)控模塊負(fù)責(zé)對服務(wù)消息進(jìn)行審查以及記錄與服務(wù)相關(guān)的性能數(shù)據(jù);系統(tǒng)配置模塊負(fù)責(zé)與中間件系統(tǒng)配置相關(guān)的功能，確保平臺正常運(yùn)行。

持久層：數(shù)據(jù)持久化負(fù)責(zé)語音指令的存儲，將處理后的語音信息儲存到數(shù)據(jù)庫，保證信息的完整性。

持久層采用分布式緩存技術(shù)，基于ActiveMQ和Redis的實(shí)現(xiàn)模型[4]如圖3所示。

Redis是一個(gè)高性能的key-value數(shù)據(jù)庫，Redis緩存具有以下特點(diǎn)：

（1）Redis是非關(guān)系型數(shù)據(jù)庫，無需建表即可直接存儲數(shù)據(jù)，可將數(shù)據(jù)定期保存到磁盤，實(shí)現(xiàn)數(shù)據(jù)的持久化;

（2）Redis不僅可以存儲key-value類型的數(shù)據(jù)，還支持字符串、數(shù)組、集合等數(shù)據(jù)結(jié)構(gòu)的存儲，數(shù)據(jù)存儲結(jié)構(gòu)靈活;

（3）Redis支持?jǐn)?shù)據(jù)的備份是高可用的，可做到一主多從，主從之間進(jìn)行數(shù)據(jù)同步。當(dāng)Master宕機(jī)后，通過選舉算法（Paxos，Raft）從Slave中選舉出新Master繼續(xù)對外提供服務(wù)，主機(jī)恢復(fù)后以Slave的身份重新加入。

根據(jù)以上分析，本文設(shè)計(jì)的中間件系統(tǒng)采用Redis技術(shù)，不僅實(shí)現(xiàn)了數(shù)據(jù)緩存，還能定期將緩存中的數(shù)據(jù)保存到磁盤實(shí)現(xiàn)數(shù)據(jù)的持久化，從而簡化了中間件內(nèi)部系統(tǒng)的邏輯結(jié)構(gòu)設(shè)計(jì)。

4 結(jié) 語

本文結(jié)合云計(jì)算、大數(shù)據(jù)技術(shù)設(shè)計(jì)了一個(gè)智能家居語音識別通用語音AI云平臺和分布式云中間件，給出了云平臺和中間件的總體框架設(shè)計(jì)及業(yè)務(wù)功能分析，結(jié)合Hadoop技術(shù)和兩種數(shù)據(jù)挖掘算法，為云平臺的實(shí)現(xiàn)提供了可行性依據(jù)。

參 考 文 獻(xiàn)

[1]劉靖.基于物聯(lián)網(wǎng)技術(shù)的智能家居信息處理與控制系統(tǒng)研究[D].北京：華北電力大學(xué)， 2014.

[2] PANG N T， MICHEALE S，VIPIN K.數(shù)據(jù)挖掘?qū)д揫M].范明，譯. 北京：人民郵電出版社，2011.

[3]李彬玉.面向 SOA 的 Web 服務(wù)管理中間件的研究與實(shí)現(xiàn)[D]. 北京：北方工業(yè)大學(xué)，2007.

[4]李文逍，楊小虎.基于分布式緩存的消息中間件存儲模型[J].計(jì)算機(jī)工程，2010，36（13）：93-95.

[5]朱廣萍，黃晞.面向智慧園區(qū)的物聯(lián)網(wǎng)中間件的整體架構(gòu)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2017（2）：171-173.

[6]周智.Redis分布式緩存實(shí)現(xiàn)與解析[J].信息通信，2018（6）：24-25.

[7]張為方，張倫寧，尹子悅.物聯(lián)網(wǎng)技術(shù)在智能家居控制系統(tǒng)中的應(yīng)用[J].物聯(lián)網(wǎng)技術(shù)，2015，5（8）：52-53，56.

[8]付蔚，楊鑫宇，李威.面向智能家居消息中間件的設(shè)計(jì)與實(shí)現(xiàn)[J].科技創(chuàng)新與應(yīng)用，2018（17）：39-40.