引言小小的Redis大大的不简单，本文将结合风控名单服务在使用Redis存储数据时的数据结构设计及优化，并详细分析redis底层实现对数据结构选型的重要性。背景先来交代下使用场景，在风控场景下，名单服务每时每刻都需要承受海量数据查询。名单检索内容涉及维度非常广：用户业务标识（UID）、手机号、身份证号、设备号、IMEI（InternationalMobileEquipmentIdentity,国际移动设备识别码）、WifiMac、IP等等。用户的一次业务请求，在风控的中会扩散到多个名单维度，同时还需要在RT（Response-time）上满足业务场景诉求。这就导致名单服务的构建需要承受住如下挑
引言小小的Redis大大的不简单，本文将结合风控名单服务在使用Redis存储数据时的数据结构设计及优化，并详细分析redis底层实现对数据结构选型的重要性。背景先来交代下使用场景，在风控场景下，名单服务每时每刻都需要承受海量数据查询。名单检索内容涉及维度非常广：用户业务标识（UID）、手机号、身份证号、设备号、IMEI（InternationalMobileEquipmentIdentity,国际移动设备识别码）、WifiMac、IP等等。用户的一次业务请求，在风控的中会扩散到多个名单维度，同时还需要在RT（Response-time）上满足业务场景诉求。这就导致名单服务的构建需要承受住如下挑
基于Flink构建风控系统阿里风控实战大规模风控技术难点目前Flink基本服务于集团的所有BU，在双十一峰值的计算能力达到40亿条每秒，计算任务达到了3万多个，总共使用100万+Core；几乎涵盖了集团内的所有具体业务，比如：数据中台、AI中台、风控中台、实时运维、搜索推荐等。01基于Flink构建风控系统风控是一个很大的话题，涉及到规则引擎、NoSQLDB、CEP等等，本章主要讲一些风控的基本概念。在大数据侧，我们把风控划分成3×2的关系：2代表风控要么是基于规则的，要么是基于算法或模型的；3代表包括三种风控类型：事先风控、事中风控和事后风控。1.1三种风控业务对于事中风控和事后风控来讲，端
基于Flink构建风控系统阿里风控实战大规模风控技术难点目前Flink基本服务于集团的所有BU，在双十一峰值的计算能力达到40亿条每秒，计算任务达到了3万多个，总共使用100万+Core；几乎涵盖了集团内的所有具体业务，比如：数据中台、AI中台、风控中台、实时运维、搜索推荐等。01基于Flink构建风控系统风控是一个很大的话题，涉及到规则引擎、NoSQLDB、CEP等等，本章主要讲一些风控的基本概念。在大数据侧，我们把风控划分成3×2的关系：2代表风控要么是基于规则的，要么是基于算法或模型的；3代表包括三种风控类型：事先风控、事中风控和事后风控。1.1三种风控业务对于事中风控和事后风控来讲，端
一、广告反作弊简介 1.1 广告流量反作弊定义广告流量作弊，即媒体通过多种作弊手段，获取广告主的利益。作弊流量主要来自于：模拟器或者被篡改了设备的广告流量；真设备，但通过群控控制的流量；真人真机，但诱导产生无效流量等。1.2 常见的作弊行为机器行为: 人工行为：素材交互要素诱导点击，媒体渲染文案诱导点击，突然弹出误触点击等。1.3 常见作弊类型按照广告投放流程顺序展示作弊：媒体将多个展示广告同时曝光于同一个广告位，向广告主收取多个广告的展示费用。点击作弊：通过脚本或计算机程序模拟真人用户，又或者雇佣和激励诱导用户进行点击，生成大量无用广告点击，获取广告主的CPC广告预算。安装作弊：通过测试机
一、广告反作弊简介 1.1 广告流量反作弊定义广告流量作弊，即媒体通过多种作弊手段，获取广告主的利益。作弊流量主要来自于：模拟器或者被篡改了设备的广告流量；真设备，但通过群控控制的流量；真人真机，但诱导产生无效流量等。1.2 常见的作弊行为机器行为: 人工行为：素材交互要素诱导点击，媒体渲染文案诱导点击，突然弹出误触点击等。1.3 常见作弊类型按照广告投放流程顺序展示作弊：媒体将多个展示广告同时曝光于同一个广告位，向广告主收取多个广告的展示费用。点击作弊：通过脚本或计算机程序模拟真人用户，又或者雇佣和激励诱导用户进行点击，生成大量无用广告点击，获取广告主的CPC广告预算。安装作弊：通过测试机
我国纺织业有着几千年的历史，是国民经济不可或缺的重要组成部分，中国作为世界纺织大国随着产业互联的发展，其背后的纺织行业供应链金融如何赋能产业是非常值得大家探讨的话题。一方面纺织产业有着很长的供应链条，并且链条上各种生产要素错综复杂；另一方面金融如何服务好产业链上的客户，并做好风险管控是一项富有挑战性又很有价值的事情。一、纺织产业供应链简介首先介绍一下纺织产业供应链，让大家有一个全面的了解。衣服大家都非常熟悉，但是在一件衣服背后是一个非常庞大的纺织产业，这个产业的链条非常长，从上游具有大宗属性的棉花、纱线、化纤到中游的坯布、印染再到下游的成品布、服装、销售，在整个链条上的各类生产要素众多，并且整
我国纺织业有着几千年的历史，是国民经济不可或缺的重要组成部分，中国作为世界纺织大国随着产业互联的发展，其背后的纺织行业供应链金融如何赋能产业是非常值得大家探讨的话题。一方面纺织产业有着很长的供应链条，并且链条上各种生产要素错综复杂；另一方面金融如何服务好产业链上的客户，并做好风险管控是一项富有挑战性又很有价值的事情。一、纺织产业供应链简介首先介绍一下纺织产业供应链，让大家有一个全面的了解。衣服大家都非常熟悉，但是在一件衣服背后是一个非常庞大的纺织产业，这个产业的链条非常长，从上游具有大宗属性的棉花、纱线、化纤到中游的坯布、印染再到下游的成品布、服装、销售，在整个链条上的各类生产要素众多，并且整
一、信贷风控简介信贷风控是数据挖掘算法最成功的应用之一，这在于金融信贷行业的数据量很充足，需求场景清晰及丰富。信贷风控简单来说就是判断一个人借了钱后面（如下个月的还款日）会不会按期还钱。更专业来说，信贷风控是还款能力及还款意愿的综合考量，根据这预先的判断为信任依据进行放贷，以此大大提高了金融业务效率。与其他机器学习的工业场景不同，金融是极其厌恶风险的领域，其特殊性在于非常侧重模型的解释性及稳定性。业界通常的做法是基于挖掘多维度的特征建立一套可解释及效果稳定的规则及风控模型对每笔订单/用户/行为做出判断决策。其中，对于（贷前）申请前的风控模型，也称为申请评分卡--A卡。A卡是风控的关键模型，业界
一、信贷风控简介信贷风控是数据挖掘算法最成功的应用之一，这在于金融信贷行业的数据量很充足，需求场景清晰及丰富。信贷风控简单来说就是判断一个人借了钱后面（如下个月的还款日）会不会按期还钱。更专业来说，信贷风控是还款能力及还款意愿的综合考量，根据这预先的判断为信任依据进行放贷，以此大大提高了金融业务效率。与其他机器学习的工业场景不同，金融是极其厌恶风险的领域，其特殊性在于非常侧重模型的解释性及稳定性。业界通常的做法是基于挖掘多维度的特征建立一套可解释及效果稳定的规则及风控模型对每笔订单/用户/行为做出判断决策。其中，对于（贷前）申请前的风控模型，也称为申请评分卡--A卡。A卡是风控的关键模型，业界
