當 Alexa 遇上 ESP8266 (一)

https://www.birdandgua.net/bird/2017/12/when_alexa_meets_esp8266-1/

去年的 AWS 的 re:Invent 上，我見識了 Alexa Voice service 的本事後深受震撼，我除了帶了幾顆 Echo 和 Echo Dot 回來研究外，也想著要用 ESP8266 來做可以讓 Alexa 控制的裝置。

其實回來之後沒多久我就做出來了，但這篇文章一直沒寫。等到我想寫文章、把寫好的程式再度拿出來看時，發現我所使用的 library 已經大幅更新，我原來寫的程式根本沒辦法 compile，只好整個砍掉重練。

時隔一年，這幾天正值 re:Invent 2017 進行中。今年因為種種因素我無法成行，就用這篇文章來紀念去年此時的這個 idea 和那時的熱血吧。

偽裝

要做一個讓 Alexa 可以控制的裝置有很多方法，但大部份的方法都要用到 AWS 的 IoT 或 serverless 服務，至少要寫一點 Lamda script 去處理 Alexa 跟裝置間的互動，或者要走 MQTT 透過 IFTTT 之類的服務來運作。一但用了 backend server 的服務，被控裝置的安裝就要處理註冊和認證等問題，操作上會變得很麻煩。

尋尋覓覓後，我發現有另一種更聰明的做法: 偽裝。

Alexa 支援一系列的智慧插座，可以用 Alexa 控制插座電源的開或關，而這其中最有名的就是 Belkin 出的 Wemo Switch。Wemo Switch 必需跟執行 Alexa 的 Echo 或 Echo Dot 位在同一個 WiFi 網路之下才能運作，因此就有人推測它們倆可能是在 LAN 上直接溝通，而不經過雲上的 server。

有一位很有名的 maker，Chris Derossi，利用 Wireshark這個老牌的 network sniffer 監聽 Echo 跟 Wemo Switch 之間的通訊後，解開了這個謎。Echo 跟 Wemo Switch 都沒有 Ethernet 接口，因此只能用 WiFi sniffer 來監聽。這張圖發表在他原來的部落格文章 Amazon Echo and Home Automation 中:

原來 Echo 跟 Wemo Switch 之間是這麼運作的:

• 當使用者第一次設定 Wemo Switch 時，要先對 Echo 喊 “Alexa, descover devices”。此時 Echo 會利用 UDP broadcast 送出一個 UPnP 的 SSDP 請求，SSDP 是 UPnP 控制器用來在網路上尋找裝置用的協定，它是一個 HTTP request，帶有一種叫 M-SEARCH 的 method，只有 header 沒有 body，送往 IPv4 的 multicast 地址 239.255.255.250:1900。
• 同一個網路上的 Wemo Switch 都聽得到 IP multicast。它們發現這個 HTTP request 是在叫自己後，就會回傳一個 HTTP response 給發出 IP multicast 的 Echo，裡面最重要的訊息是一個 URL。這個 URL 指向一個 XML 檔，用來描述裝置本身的屬性。這時的回覆會來自網路上的多個裝置，因為每個收到 IP multicast 的 Wemo switch 都會回答，所以網路會有一小段時間變得很吵。以上都還是走 UDP，所以不需建立連線。
• Echo 收到這些回覆的 URL 後，依序對每個裝置發出 HTTP request，讀取每個裝置的 XML 配置檔。這時的協定通訊協定改走 TCP，會先建立連線，傳送的資料也會變得可靠。
• 每個裝置用 HTTP response 回覆它們的設定檔，也是走 TCP。這個設定檔很長，是一個一百多行的 XML 檔，但其中只有一欄比較重要，就是這個裝置的 friendly name。Friendly name 就是我們幫每一個 Wemo Switch 取的名字，當我們要用 Alexa 的語音服務控制它時，叫的就是這個名字。
• 設定完成後，我們會在 Alexa 的 app 中看到它已經找到的裝置列表，此時就可以用語音控制每個 Wemo Switch 的開或關。
• 當使用者喊出語音指令且 Alexa 聽懂後，它會送出一個 HTTP request 給對應的裝置，裡面有一大串有的沒有的資料，甚至包含了整組包在 XML 裡的 SOAP 指令，但其實我們真正關心的就只是 <BinaryState> 這個 tag 而已，而這個 tag 只有 1 跟 0 兩個值。
• Wemo Switch 收到指令並確認動作後，會回應一個 HTTP response，這是一個固定內容的 acknowledgement。
• Echo 收到確認的回覆後，才會講 “OK”。

Chris Derossi 隨後在另一篇 post 中發佈了一支 Python 程式，用來模擬 Wemo Switch 並回應來自 Alexa 的這些訊息。這支程式叫 fauxmo，有點向 Wemo 致敬的味道。