supermq
SuperMQ 是一个专为工业物联网打造的开源消息传递与设备管理平台，旨在构建行星级的分布式事件驱动基础设施。它核心解决了异构网络环境下的通信难题，能够无缝桥接 HTTP、MQTT、WebSocket、CoAP 等多种协议，让不同标准的设备与系统实现高效、实时的数据交互。
该平台特别适合物联网开发者、系统架构师以及需要构建高并发实时数据管道的技术团队使用。无论是管理海量传感器网关，还是设计复杂的微服务架构，SuperMQ 都能提供坚实的后端支撑。其独特的技术亮点在于“原生安全”与“极致灵活”：内置基于 X.509 证书的双向 TLS 认证和细粒度访问控制（支持 ABAC 及 RBAC 策略），确保数据传输固若金汤；同时支持多租户管理与无限层级的用户组织架构，轻松应对大规模商业化部署需求。此外，SuperMQ 还集成了 Prometheus 与 OpenTelemetry 可观测性工具，并原生支持 Docker 和 Kubernetes 容器化部署，帮助开发者快速搭建生产级的高可用系统。值得注意的是，该项目目前正全面合并至 Magistrala 仓库进行活跃开发，代表了该领域前沿的开源实践方向。
使用场景
某大型智慧物流园区需要整合来自数千辆叉车、AGV 机器人及环境传感器的实时数据，以构建统一的监控与调度系统。
没有 supermq 时
- 协议适配繁琐：不同厂商设备分别使用 MQTT、CoAP 和 HTTP 协议，开发团队需为每种协议编写独立的接入网关，维护成本极高。
- 安全管控薄弱：缺乏统一的身份认证机制，难以对海量设备实施细粒度的访问控制，存在数据泄露风险。
- 多租户隔离困难：园区内多家物流公司共用基础设施，但无法在逻辑上有效隔离各自的数据域，导致权限管理混乱。
- 可观测性缺失：消息链路不透明，出现故障时难以快速定位是网络问题还是设备异常，排查耗时漫长。
使用 supermq 后
- 统一协议桥接：supermq 原生支持 HTTP、MQTT、CoAP 等多种协议，自动屏蔽底层差异，让所有设备无缝接入同一消息总线。
- 内生安全架构：基于 mTLS 和 JWT 构建零信任安全体系，结合 ABAC/RBAC 策略，实现设备级精细授权与动态令牌管理。
- 天然多租户支持：利用其多域（Multi-Domain）特性，轻松为每家物流公司划分独立命名空间，确保数据严格隔离且互不可见。
- 全链路可观测：集成 Prometheus 与 OpenTelemetry，实时监控消息流转状态，故障发生时能秒级定位瓶颈并告警。
supermq 通过构建行星级的分布式事件驱动基础设施，将复杂的工业物联网通信难题转化为简单、安全且可扩展的标准服务。
运行环境要求
- Linux
- macOS (Apple Silicon M1/M2/M3)
未说明
未说明
快速开始
[!WARNING] 此仓库已废弃。其所有内容已被合并至 www.github.com/absmach/magistrala。 请使用该仓库进行所有活跃开发。
简介 📖
SuperMQ 是一个分布式、高度可扩展且安全的开源云平台，专为消息传递和事件驱动架构（EDA）而设计。它是一个全球分布、高度可扩展且安全的平台，为构建先进的实时与响应式系统提供了坚实的基石。
为什么 SuperMQ 如此出色 🚀
SuperMQ 桥接了多种网络协议（HTTP、MQTT、WebSocket、CoAP 等），以提供无缝的消息传递体验。无论您是在开发物联网解决方案、实时数据管道，还是事件驱动系统，MagisSuperMQtrala 都能满足您的需求。🌐✨
核心特性 🌟
- 多协议连接：HTTP、MQTT、WebSocket、CoAP 等！🌉
- 设计即安全：支持 X.509 证书的双向 TLS (mTLS)、JWT 支持及多协议授权。🔒
- 细粒度访问控制：支持 ABAC 和 RBAC 策略。📜
- 多租户：无缝管理多个域。🏢
- 多用户：无限层级的组织结构用于用户管理。👥
- 应用管理：对消息客户端进行分组和共享，以简化运营。📱
- 易用性：简单而强大的通信通道管理、分组与共享功能。✨
- 个人访问令牌 (PAT)：具有作用域且可撤销的令牌，提升安全性。🔑
- 可观测性：集成日志记录与监控工具，支持 Prometheus 和 OpenTelemetry。📈
- 事件溯源：构建健壮且可扩展的架构。⚡
- 边缘与物联网就绪：支持 MQTT 和 CoAP 协议，实现无缝的 IoT 网关与传感器通信及管理。🌍
- 开发者友好：提供 SDK、CLI 工具及全面文档，助您快速上手。👩💻👨💻
- 生产就绪：基于容器的部署方式，采用 Docker 和 Kubernetes。🐳☸️
安装 🛠️
运行 SuperMQ 的方式有多种。首先，克隆仓库并进入其中：
git clone https://github.com/absmach/supermq.git
cd supermq
要运行最新的稳定版（带标签版本），请使用：
# 使用最新稳定标签版本运行
make run_stable
若要运行最新版本，请使用：
# 使用最新开发版本（来自 main 分支）
make run_latest
make run_stable 命令会：
- 将仓库检出到最新的 Git 标签
- 更新环境配置中的版本号
- 启动稳定版服务
注意：执行 make run_stable 后，您将处于分离 HEAD 状态。如需返回到您的工作分支：
git checkout main
在 Apple Silicon (M1/M2/M3) Mac 上运行
在 Apple Silicon Mac 上运行 SuperMQ 时，Makefile 会自动检测您的 ARM64 架构，并在本地构建 Docker 镜像。
如果使用 Docker Desktop：
启用 Apple 虚拟化框架：在 Docker Desktop 中，前往：
- 设置 → 常规 → 启用“使用新的虚拟化框架”
启用 Rosetta 进行 x86_64 模拟：在 Docker Desktop 中，前往：
- 设置 → 常规 → 启用“在 Apple Silicon 上使用 Rosetta 进行 x86_64/amd64 模拟”
启用这些选项后，重启 Docker Desktop，然后按常规方式运行 make run_stable 或 make run_latest。
要手动运行 SuperMQ，克隆仓库并启动所有核心服务：
docker compose -f docker/docker-compose.yaml --env-file docker/.env up
使用 📤📥
使用 CLI：
make cli
./build/supermq-cli status
此命令会获取 SuperMQ 服务器的状态，并将其输出到控制台。
使用 HTTP 与 Curl：
curl -X GET http://localhost:8080/status
此请求通过 HTTP 获取服务器状态，并返回 JSON 格式的响应。
更多详情请参阅我们的 CLI 文档。
文档 📚
官方文档托管于 SuperMQ 文档页面。
文档是自动生成的，请查看 docs 仓库中的说明。如果您发现任何错误或需要修正的地方，请告知我们——更好的是直接提交 PR！💌
社区与贡献 🤝
感谢您对 SuperMQ 的关注以及希望做出贡献的热情！
- 请查看我们的 未解决问题。带有 good-first-issue 标签的问题非常适合新手入门。
- 请阅读 贡献指南，了解更多关于我们风格和规范的信息。
- 请确保您的更改与我们的工作流程兼容。
加入我们的社区：
专业支持 💼
需要帮助部署 SuperMQ 或将其集成到您的系统中吗？请联系 Abstract Machines，获取专业的支持与指导。
许可证 📜
SuperMQ 是遵循 Apache License 2.0 许可证的开源软件。欢迎贡献！
致谢 🙌
特别感谢那些让 SuperMQ 成为可能的杰出贡献者。请查看 MAINTAINERS 文件，了解幕后团队。
准备好构建消息传递和事件驱动系统的未来了吗？让我们开始吧！🚀
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。
cs-video-courses
cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。