Sentilo平台安装与配置完全指南
2025-06-06 12:50:09作者:何将鹤
前言
Sentilo是一个开源的物联网平台,主要用于传感器数据收集、处理和分发。本文将详细介绍如何从零开始搭建Sentilo平台,包括环境准备、代码获取、编译构建以及部署配置的全过程。
环境准备
在开始安装Sentilo之前,需要确保系统已安装以下基础软件:
- Java开发环境:JDK 1.8或更高版本
- 构建工具:Maven 3.x
- 版本控制工具(可选):Git
确保Java和Maven的可执行文件已添加到系统PATH环境变量中,以便全局调用。
获取源代码
Sentilo的源代码可以通过以下两种方式获取:
方法一:使用Git克隆
git clone https://github.com/sentilo/sentilo.git sentilo
方法二:下载ZIP压缩包
下载后解压到名为"sentilo"的目录中
无论采用哪种方式,最终都会得到一个包含完整源代码的"sentilo"目录。
编译与构建
Sentilo提供了便捷的构建脚本buildSentilo.sh,位于./scripts/目录下。执行该脚本将自动完成以下工作:
- 编译所有模块
- 生成部署包
- 将构建结果输出到
../sentilo-deploy-artifacts目录
构建完成后,sentilo-deploy-artifacts目录将包含以下内容:
- conf:所有配置文件
- sentilo-agent-*:各种代理模块的部署结构
- sentilo-catalog-web:Web应用war包
- sentilo-platform-server:平台服务器部署结构
自定义构建
如需修改代码后再构建,建议:
- 使用Eclipse导入项目(需安装M2E插件)
- 确保Eclipse配置了JDK 1.8+
- 修改完成后,仍使用
buildSentilo.sh脚本构建
平台基础设施
Sentilo运行依赖以下基础设施组件:
必需组件
- Redis 6.2.2:用于实时数据存储
- MongoDB 4.4.2:用于持久化存储
- Tomcat 8.5.32+:Web容器
可选组件
- MySQL 5.5.x:关系型数据库代理
- Elasticsearch 6+:活动监控代理
- openTSDB 2.2.0+:历史数据代理
配置详解
Sentilo采用Spring和Maven的profile机制来支持不同环境的配置。默认使用"dev" profile,假设所有组件都安装在本地机器上,使用标准端口:
- Redis: 6379
- MongoDB: 27017
- Tomcat: 8080
- MySQL: 3306
- Elasticsearch: 9200
- openTSDB: 4242
配置文件结构
Sentilo的配置采用分层覆盖机制:
- 基础配置:位于各模块的
src/main/resources/properties目录下 - 运行时配置:部署在
/etc/sentilo目录下,会覆盖基础配置
关键配置文件:
sentilo.conf:平台核心配置- 各模块的
.conf文件:模块特定配置
配置覆盖机制示例
# 基础配置(classpath中)
sentilo.redis.host=127.0.0.1
# 运行时配置(/etc/sentilo/sentilo.conf)
sentilo.redis.host=192.168.2.106
重要配置参数
| 参数 | 默认值 | 说明 |
|---|---|---|
| sentilo.redis.password | sentilo | Redis访问密码 |
| sentilo.redis.expire.key.seconds | 0 | Redis数据过期时间(0表示永不过期) |
| sentilo.redis.connTimeout | 5000 | Redis连接超时(毫秒) |
| sentilo.redis.client.maxTotal | 10 | 连接池最大连接数 |
部署建议
- 配置文件:将
sentilo.conf部署到/etc/sentilo目录 - 组件部署:根据实际需求选择部署哪些代理模块
- 环境隔离:生产环境建议将各组件部署在不同服务器上
- 性能调优:根据负载情况调整连接池等参数
常见问题
- 版本兼容性:确保所有组件版本匹配
- 端口冲突:检查各组件默认端口是否被占用
- 权限问题:确保应用有权限访问配置文件和数据库
通过以上步骤,您应该能够成功搭建并运行Sentilo平台。如需进一步定制,可以参考各模块的详细配置说明进行深度配置。
登录后查看全文
热门项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
424
3.26 K
Ascend Extension for PyTorch
Python
231
264
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
334
暂无简介
Dart
686
161
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
667
仓颉编译器源码及 cjdb 调试工具。
C++
136
869