在ONOS Karaf应用中集成AI DJL PyTorch包时无法加载深度学习引擎

核心问题分析 #

OSGi容器（如Karaf）的类加载隔离机制，会导致DJL依赖的服务加载器（ServiceLoader）无法跨bundle发现引擎实现类；同时原生库的加载路径、权限配置也可能引发引擎无法识别的问题。

分步解决方案 #

1. 修正bundle的导入/导出配置 #

检查并调整bundle的包导入导出规则，确保类加载路径通畅：

• 在你的应用bundle的pom.xml中，添加对DJL相关包的显式导入：

<Import-Package>
    ai.djl.*,
    ai.djl.pytorch.*,
    com.sun.jna.*,
    org.apache.commons.compress.*,
    *
</Import-Package>

• 确认ai-djl-pytorch-engine bundle的Export-Package配置包含ai.djl.pytorch.engine等关键包，保证其他bundle能访问到引擎实现类。

2. 手动指定DJL引擎加载策略 #

绕过OSGi的服务加载限制，直接指定PyTorch引擎：

• 在代码中显式设置默认引擎：

System.setProperty("ai.djl.default_engine", "PyTorch");
// 或手动加载引擎实例
Engine engine = Engine.getEngine("PyTorch");

• 或者将DJL的服务配置文件META-INF/services/ai.djl.engine.Engine复制到你的应用bundle对应路径，文件内容指定PyTorch引擎实现类：

ai.djl.pytorch.engine.PtEngine

3. 修复原生库加载问题 #

ai-djl-pytorch-native-cpu包含PyTorch原生库，需确保OSGi能正确识别加载：

• 检查该bundle的MANIFEST.MF文件，确认Bundle-NativeCode配置正确，已指定不同系统架构的原生库路径：

Bundle-NativeCode: native/linux-x86_64/libtorch.so; osname=Linux; processor=x86-64,
 native/darwin-x86_64/libtorch.dylib; osname=MacOSX; processor=x86-64,
 native/win32-x86_64/torch.dll; osname=Windows; processor=x86-64

• 若原生库仍无法加载，可在Karaf启动时将原生库路径加入JVM参数：

export KARAF_OPTS="-Djava.library.path=/path/to/native/libs"

4. 确认依赖版本兼容性 #

确保所有DJL相关依赖版本严格匹配：

• ai-djl-api（0.19.0）、ai-djl-pytorch-engine（0.19.0）、ai-djl-pytorch-native-cpu（1.13.0）的版本组合是官方兼容的，但需排查是否存在其他依赖版本冲突。

5. 临时启用动态导入（调试用） #

若上述方法无效，可临时为应用bundle添加动态导入，允许跨bundle加载类（不建议生产环境使用）：

<DynamicImport-Package>*</DynamicImport-Package>

验证步骤 #

1. 在Karaf控制台执行bundle:list，确认所有依赖bundle处于Active状态。
2. 执行bundle:headers <你的应用bundleID>，检查导入的包是否全部被满足。
3. 查看Karaf日志文件data/log/karaf.log，提取类加载或引擎加载的具体错误信息，定位缺失的依赖或配置。

内容的提问来源于stack exchange，提问作者Manoj Selvam