CN105447740A - 基于Golang的反刷单方法 - Google Patents
基于Golang的反刷单方法 Download PDFInfo
- Publication number
- CN105447740A CN105447740A CN201510788940.6A CN201510788940A CN105447740A CN 105447740 A CN105447740 A CN 105447740A CN 201510788940 A CN201510788940 A CN 201510788940A CN 105447740 A CN105447740 A CN 105447740A
- Authority
- CN
- China
- Prior art keywords
- order
- address
- variable quantity
- time
- businessman
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013524 data verification Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000001680 brushing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Golang的反刷单方法,涉及数据处理技术领域。该方法:实时跟踪不同特征值的订单数据的数据量变化,然后同时进入历史均值的检测和基于时间窗阀值的检测;所述基于时间窗阀值的检测实时统计订单变化量,判断统计的订单变化量是否超过阈值,如果是,则发出报警;所述历史均值的检测:依据预先统计并建立每个商家或每个IP地址的订单变化量统计表,判断在指定时间段指定商家或指定IP地址的订单变化量是否超过历史订单变化量均值的指定倍数,如果是,则发出报警;如果否,则进入下一条订单变化量的判断。本发明有效提高了数据的验证效率,不会产生因并发访问共享对象而产生的并发性问题。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于Golang的反刷单方法。
背景技术
询价等订单信息的有效性直接影响最终的销售效果,如何保证线索信息的有效性,防止刷单等行为是下单流程中需要实现的一个重要模块,越接近买家购物行为的刷单越不容易被系统识别。在大数据基础上开发的刷单检测系统唯一没办法判定为刷单的就是真实订单。所以刷单技术的更新总是围绕着如何模仿真实买家购物行为进展。市面上流行的刷单方法包含刷单路径分布、七天螺旋刷单规律、刷单流程主要控制浏览时长、浏览整个页面、账号检查等。更具体的刷单方法包括:IP防止作弊、Netclean防止作弊、点击比率、来源统计、唯一参数、点击时间顺差和鼠标值。
传统的刷单数据处理流程为使用不同的验证函数依次对特征数据验证,当不满足相应的函数则返回错误信息,否则执行完全部函数返回特征信息满足规则。
传统的刷单数据处理流程类似于工厂中生产线上的工人们那样组织工作者。每个工作者只负责作业中的部分工作。当完成了自己的这部分工作时工作者会将作业转发给下一个工作者。但当前面的生产者出现问题是后面的生产者则无法执行相应的工作。如果出现较长的数据库查询等情况时则需要等待全部函数检查完毕。
而现有实际情况是,订单数据的实时处理量比较大,传统的刷单数据处理服务存在:处理订单数据慢,效率低且可用性差的问题。
发明内容
本发明的目的在于提供一种基于Golang的反刷单方法,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明所述基于Golang的反刷单方法,该方法包括:
实时跟踪不同特征值的订单数据的数据量变化,然后同时进入历史均值的检测和基于时间窗阀值的检测;所述特征值包括指定商家订单变化量和指定IP地址的订单变化量;
所述基于时间窗阀值的检测,按照下述实现:实时统计指定商家或指定IP地址在指定时间段的订单变化量,判断统计的订单变化量是否超过阈值,如果是,则发出报警;如果否,则进入下一条订单变化量的判断;
所述历史均值的检测,按照下述实现:依据预先统计并建立每个商家或每个IP地址的订单变化量统计表,判断在指定时间段指定商家或指定IP地址的订单变化量是否超过历史订单变化量均值的指定倍数,如果是,则发出报警;如果否,则进入下一条订单变化量的判断。
优选地,所述历史变化规律是根据数据库中记载的每个商家历史订单信息综合绘制出的每个时间段的订单量变化规律。
优选地,实时统计指定商家或指定IP地址在指定时间段的订单变化量是否超过阈值,按照下述步骤实现:
S1,实时计数服务器接收不符合变化量规律的指定商家或指定IP地址的身份信息,然后依据所述身份信息从数据库中检索到指定商家或指定IP地址的商品信息,并监控并统计在指定时间段T1-T2内指定商家或指定IP地址的订单变化量M;
S2,所述实时计数服务器从数据库中获取指定在历史时间段T1-T2内,指定商家或指定IP地址的历史订单变化量均值N;
S3,判断所述订单变化量M与所述历史订单变化量均值N的大小关系,如果M>N,则发出报警;如果M≤N,则进入下一个订单变化量的判断。
更优选地,实时计数服务器实时统计在指定时间段T1-T2内指定商家或指定IP地址的订单变化量M,按照下述方法实现:
获取订单变化量所对应的IP地址,以IP地址作为Key向Redis中累加订单请求次数,设定订单累加的时间段,当在设定的时间中,订单的累加次数作为订单变化量M。
优选地,所述预先统计并建立每个IP地址的订单数量统计表,按照下述方法实现:
A1,从数据库中获取属于每个IP地址下的历史订单量信息;
A2,根据历史订单量信息统计在每个时间段,每个IP地址的历史订单量均值,得到每个IP地址的订单数量统计表。
优选地,在指定时间段,指定商家或指定IP地址的订单变化量超过历史订单变化量均值的指定倍数,则发出报警,按照下述方法实现:
获取IP地址,创建以所述IP地址为key、以所述历史订单量均值的指定倍数为大小的队列,当有订单请求向所述队列中插入当前时间的记录时,当前队列的长度大于队列的预先设定大小,获取位于当前队列的队列头部的订单数据,将头部的订单数据的时间小于所述当前时间减去时间阈值时,发出报警。
优选地,使用Redis中的Incr方法计算指定时间段的订单变化量。
优选地,从订单量统计表获取历史订单量均值,并将指定时间段的历史订单量均值缓存到Redis中。
本发明的有益效果是:
本发明通过使用协程执行检验函数的方式,有效的提高了数据的验证效率,当任何一个验证条件不符合时直接返回错误信息,随着后续验证逻辑的增加或当验证函数耗费的时间差异较大时更能体现出本发明的高效性。
工作者之间无需共享状态,意味着实现的时候无需考虑所有因并发访问共享对象而产生的并发性问题。这使得在实现工作者的时候变得非常容易。在实现工作的时候就好像是单个线程在处理工作-基本上是一个单线程的实现。同时使用流水线并发模型能够更好的利用多核处理器,提高CPU资源占用计算的速度。
附图说明
图1是基于Golang的反刷单方法的流程图;
图2是Beego框架架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
由于当前订单的来源包含移动和桌面端,本方案中使用尽量不改动前台的方案进行检测分析。
实施例,参照图1,本实施例所述基于Golang的反刷单方法,该方法包括:
实时跟踪不同特征值的订单数据的数据量变化,然后同时进入历史均值的检测和基于时间窗阀值的检测;所述特征值包括指定商家订单变化量和指定IP地址的订单变化量;
所述基于时间窗阀值的检测,按照下述实现:实时统计指定商家或指定IP地址在指定时间段的订单变化量,判断统计的订单变化量是否超过阈值,如果是,则发出报警;如果否,则进入下一条订单变化量的判断;
所述历史均值的检测,按照下述实现:依据预先统计并建立每个商家或每个IP地址的订单变化量统计表,判断在指定时间段指定商家或指定IP地址的订单变化量是否超过历史订单变化量均值的指定倍数,如果是,则发出报警;如果否,则进入下一条订单变化量的判断。
更详细的解释说明:
(一)所述历史变化规律是根据数据库中记载的每个商家历史订单信息综合绘制出的每个时间段的订单量变化规律。
(二)实时统计指定商家或指定IP地址在指定时间段的订单变化量是否超过阈值,按照下述步骤实现:
S1,实时计数服务器接收不符合变化量规律的指定商家或指定IP地址的身份信息,然后依据所述身份信息从数据库中检索到指定商家或指定IP地址的商品信息,并监控并统计在指定时间段T1-T2内指定商家或指定IP地址的订单变化量M;
S2,所述实时计数服务器从数据库中获取指定在历史时间段T1-T2内,指定商家或指定IP地址的历史订单变化量均值N;
S3,判断所述订单变化量M与所述历史订单变化量均值N的大小关系,如果M>N,则发出报警;如果M≤N,则进入下一个订单变化量的判断。
(三)实时计数服务器实时统计在指定时间段T1-T2内指定商家或指定IP地址的订单变化量M,按照下述方法实现:获取订单变化量所对应的IP地址,以IP地址作为Key向Redis中累加订单请求次数,设定订单累加的时间段,当在设定的时间中,订单的累加次数作为订单变化量M。该方法的优点是节省存储,无需做数据同步,缺点是如果在一个时间窗周期内请求接近阀值的量然后等候到下一个时间周期再请求接近阀值的量,实际上两个时间窗中的一段时间请求是超过阀值。
(四)所述预先统计并建立每个IP地址的订单数量统计表,按照下述方法实现:
A1,从数据库中获取属于每个IP地址下的历史订单量信息;
A2,根据历史订单量信息统计在每个时间段,每个IP地址的历史订单量均值,得到每个IP地址的订单数量统计表。
(五)在指定时间段,指定商家或指定IP地址的订单变化量超过历史订单变化量均值的指定倍数,则发出报警,按照下述方法实现:获取IP地址,创建以所述IP地址为key、以所述历史订单量均值的指定倍数为大小的队列,当有订单请求向所述队列中插入当前时间的记录时,当前队列的长度大于队列的预先设定大小,获取位于当前队列的队列头部的订单数据,将头部的订单数据的时间小于所述当前时间减去时间阈值时,发出报警。优点是时间段的滑动完全限定了任何时间段请求量不会超过阀值,确定是占用数据空间大,需要维护一个线程安全的map和queue保证数据的正确性。
(六)使用Redis中的Incr方法计算指定时间段的订单变化量。从订单量统计表获取历史订单量均值,并将指定时间段的历史订单量均值缓存到Redis中。
本发明使用golang提供的通信机制多协程并发执行数据验证函数,但当某个验证函数判断到数据符合特征时直接通知主线程返回而不必等待所有的验证函数执行完毕,在验证逻辑较多时提高了验证效率。
在现有的实际应用中,由于centos自带的git版本较低导致后续的工具安装有问题,因此需要按照下述进行操作:升级git,安装gvm用于管理本地的golang版本,安装golang及配置开发路径,安装开发依赖的第三方库,建立Beego框架架构图:beego是一个快速开发Go应用的HTTP框架,他可以用来快速开发API、Web及后端服务等各种应用,是一个RESTful的框架,主要设计灵感来源于tornado、sinatra和flask这三个框架,但是结合了Go本身的一些特性(interface、struct嵌入等)而设计的一个框架。
本申请使用Redis的过期特性和原子特性实现时间窗的阀值控制;通过使用golang的协程调度特性,实现验证规则的高效判断;通过减少对锁的使用,增大吞吐量;通过对历史数据的特征分析快速定位不符合规则的数据。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:本发明通过使用协程执行检验函数的方式,有效的提高了数据的验证效率,当任何一个验证条件不符合时直接返回错误信息,随着后续验证逻辑的增加或当验证函数耗费的时间差异较大时更能体现出本发明的高效性。
工作者之间无需共享状态,意味着实现的时候无需考虑所有因并发访问共享对象而产生的并发性问题。这使得在实现工作者的时候变得非常容易。在实现工作的时候就好像是单个线程在处理工作-基本上是一个单线程的实现。同时使用流水线并发模型能够更好的利用多核处理器,提高CPU资源占用计算的速度。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (8)
1.一种基于Golang的反刷单方法,其特征在于,该方法包括:
实时跟踪不同特征值的订单数据的数据量变化,然后同时进入历史均值的检测和基于时间窗阀值的检测;所述特征值包括指定商家订单变化量和指定IP地址的订单变化量;
所述基于时间窗阀值的检测,按照下述实现:实时统计指定商家或指定IP地址在指定时间段的订单变化量,判断统计的订单变化量是否超过阈值,如果是,则发出报警;如果否,则进入下一条订单变化量的判断;
所述历史均值的检测,按照下述实现:依据预先统计并建立每个商家或每个IP地址的订单变化量统计表,判断在指定时间段指定商家或指定IP地址的订单变化量是否超过历史订单变化量均值的指定倍数,如果是,则发出报警;如果否,则进入下一条订单变化量的判断。
2.根据权利要求1所述方法,其特征在于,所述历史变化规律是根据数据库中记载的每个商家历史订单信息综合绘制出的每个时间段的订单量变化规律。
3.根据权利要求1所述方法,其特征在于,实时统计指定商家或指定IP地址在指定时间段的订单变化量是否超过阈值,按照下述步骤实现:
S1,实时计数服务器接收不符合变化量规律的指定商家或指定IP地址的身份信息,然后依据所述身份信息从数据库中检索到指定商家或指定IP地址的商品信息,并监控并统计在指定时间段T1-T2内指定商家或指定IP地址的订单变化量M;
S2,所述实时计数服务器从数据库中获取指定在历史时间段T1-T2内,指定商家或指定IP地址的历史订单变化量均值N;
S3,判断所述订单变化量M与所述历史订单变化量均值N的大小关系,如果M>N,则发出报警;如果M≤N,则进入下一个订单变化量的判断。
4.根据权利要求3所述方法,其特征在于,实时计数服务器实时统计在指定时间段T1-T2内指定商家或指定IP地址的订单变化量M,按照下述方法实现:
获取订单变化量所对应的IP地址,以IP地址作为Key向Redis中累加订单请求次数,设定订单累加的时间段,当在设定的时间中,订单的累加次数作为订单变化量M。
5.根据权利要求1所述方法,其特征在于,所述预先统计并建立每个IP地址的订单数量统计表,按照下述方法实现:
A1,从数据库中获取属于每个IP地址下的历史订单量信息;
A2,根据历史订单量信息统计在每个时间段,每个IP地址的历史订单量均值,得到每个IP地址的订单数量统计表。
6.根据权利要求1所述方法,其特征在于,在指定时间段,指定商家或指定IP地址的订单变化量超过历史订单变化量均值的指定倍数,则发出报警,按照下述方法实现:
获取IP地址,创建以所述IP地址为key、以所述历史订单量均值的指定倍数为大小的队列,当有订单请求向所述队列中插入当前时间的记录时,当前队列的长度大于队列的预先设定大小,获取位于当前队列的队列头部的订单数据,将头部的订单数据的时间小于所述当前时间减去时间阈值时,发出报警。
7.根据权利要求1所述方法,其特征在于,使用Redis中的Incr方法计算指定时间段的订单变化量。
8.根据权利要求1所述方法,其特征在于,从订单量统计表获取历史订单量均值,并将指定时间段的历史订单量均值缓存到Redis中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510788940.6A CN105447740A (zh) | 2015-11-17 | 2015-11-17 | 基于Golang的反刷单方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510788940.6A CN105447740A (zh) | 2015-11-17 | 2015-11-17 | 基于Golang的反刷单方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105447740A true CN105447740A (zh) | 2016-03-30 |
Family
ID=55557875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510788940.6A Pending CN105447740A (zh) | 2015-11-17 | 2015-11-17 | 基于Golang的反刷单方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447740A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106059847A (zh) * | 2016-04-08 | 2016-10-26 | 久远谦长(北京)技术服务有限公司 | 一种用户刷单行为检测方法和装置 |
CN106445648A (zh) * | 2016-10-21 | 2017-02-22 | 天津海量信息技术股份有限公司 | 一种基于redis实现多worker协同的系统 |
CN107124391A (zh) * | 2016-09-22 | 2017-09-01 | 北京小度信息科技有限公司 | 异常行为的识别方法及装置 |
CN107146089A (zh) * | 2017-03-29 | 2017-09-08 | 北京三快在线科技有限公司 | 一种刷单识别方法及装置,电子设备 |
CN107305665A (zh) * | 2016-04-19 | 2017-10-31 | 李辉 | 一种鉴别虚假交易、防止刷单的方法及装置 |
CN107316219A (zh) * | 2016-04-26 | 2017-11-03 | 北京京东尚科信息技术有限公司 | 一种刷单用户的检测方法及系统 |
CN107609950A (zh) * | 2017-09-27 | 2018-01-19 | 掌合天下(北京)信息技术有限公司 | 订单处理方法及装置 |
CN107679870A (zh) * | 2017-09-22 | 2018-02-09 | 广东欧珀移动通信有限公司 | 刷量资源确定方法及装置 |
CN108259181A (zh) * | 2017-11-28 | 2018-07-06 | 中国平安财产保险股份有限公司 | 刷单检测方法及终端设备 |
CN108876391A (zh) * | 2017-05-09 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 一种确定时间窗口移动时间的方法和装置 |
CN109615456A (zh) * | 2018-10-31 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 在途订单信息统计方法及装置 |
CN112753023A (zh) * | 2018-10-26 | 2021-05-04 | 深圳市欢太科技有限公司 | 数据处理方法、装置、电子设备及计算机可读取存储介质 |
CN112907263A (zh) * | 2021-03-22 | 2021-06-04 | 北京太火红鸟科技有限公司 | 异常订单量检测方法、装置、设备及存储介质 |
CN113254465A (zh) * | 2021-05-25 | 2021-08-13 | 四川虹魔方网络科技有限公司 | 缓存最终一致性更新方法 |
CN114301711A (zh) * | 2021-12-31 | 2022-04-08 | 招商银行股份有限公司 | 防暴刷方法、装置、设备、存储介质及计算机程序产品 |
-
2015
- 2015-11-17 CN CN201510788940.6A patent/CN105447740A/zh active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106059847B (zh) * | 2016-04-08 | 2019-07-19 | 久远谦长(北京)技术服务有限公司 | 一种用户刷单行为检测方法和装置 |
CN106059847A (zh) * | 2016-04-08 | 2016-10-26 | 久远谦长(北京)技术服务有限公司 | 一种用户刷单行为检测方法和装置 |
CN107305665A (zh) * | 2016-04-19 | 2017-10-31 | 李辉 | 一种鉴别虚假交易、防止刷单的方法及装置 |
CN107316219A (zh) * | 2016-04-26 | 2017-11-03 | 北京京东尚科信息技术有限公司 | 一种刷单用户的检测方法及系统 |
CN107316219B (zh) * | 2016-04-26 | 2020-09-01 | 北京京东尚科信息技术有限公司 | 一种刷单用户的检测方法及系统 |
CN107124391A (zh) * | 2016-09-22 | 2017-09-01 | 北京小度信息科技有限公司 | 异常行为的识别方法及装置 |
CN106445648A (zh) * | 2016-10-21 | 2017-02-22 | 天津海量信息技术股份有限公司 | 一种基于redis实现多worker协同的系统 |
CN107146089A (zh) * | 2017-03-29 | 2017-09-08 | 北京三快在线科技有限公司 | 一种刷单识别方法及装置,电子设备 |
CN107146089B (zh) * | 2017-03-29 | 2020-11-13 | 北京三快在线科技有限公司 | 一种刷单识别方法及装置,电子设备 |
CN108876391B (zh) * | 2017-05-09 | 2020-12-22 | 北京京东尚科信息技术有限公司 | 一种确定时间窗口移动时间的方法和装置 |
CN108876391A (zh) * | 2017-05-09 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 一种确定时间窗口移动时间的方法和装置 |
CN107679870A (zh) * | 2017-09-22 | 2018-02-09 | 广东欧珀移动通信有限公司 | 刷量资源确定方法及装置 |
CN107609950A (zh) * | 2017-09-27 | 2018-01-19 | 掌合天下(北京)信息技术有限公司 | 订单处理方法及装置 |
CN108259181A (zh) * | 2017-11-28 | 2018-07-06 | 中国平安财产保险股份有限公司 | 刷单检测方法及终端设备 |
CN108259181B (zh) * | 2017-11-28 | 2020-12-11 | 中国平安财产保险股份有限公司 | 刷单检测方法及终端设备 |
CN112753023A (zh) * | 2018-10-26 | 2021-05-04 | 深圳市欢太科技有限公司 | 数据处理方法、装置、电子设备及计算机可读取存储介质 |
CN109615456A (zh) * | 2018-10-31 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 在途订单信息统计方法及装置 |
CN112907263A (zh) * | 2021-03-22 | 2021-06-04 | 北京太火红鸟科技有限公司 | 异常订单量检测方法、装置、设备及存储介质 |
CN113254465A (zh) * | 2021-05-25 | 2021-08-13 | 四川虹魔方网络科技有限公司 | 缓存最终一致性更新方法 |
CN113254465B (zh) * | 2021-05-25 | 2022-11-01 | 四川虹魔方网络科技有限公司 | 缓存最终一致性更新方法 |
CN114301711A (zh) * | 2021-12-31 | 2022-04-08 | 招商银行股份有限公司 | 防暴刷方法、装置、设备、存储介质及计算机程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105447740A (zh) | 基于Golang的反刷单方法 | |
CN109844781B (zh) | 用于从日志文件识别处理流并使流可视化的系统和方法 | |
US10505826B2 (en) | Statistical pattern correlation of events in cloud deployments using codebook approach | |
US10607196B2 (en) | Service request messaging | |
CN108322473A (zh) | 用户行为分析方法与装置 | |
WO2021244474A1 (zh) | 登录数据处理方法、装置、设备及系统 | |
US10116534B2 (en) | Systems and methods for WebSphere MQ performance metrics analysis | |
WO2019041925A1 (zh) | 工作流数据处理方法、装置、存储介质和计算机设备 | |
US20200273070A1 (en) | Systems and methods for leveraging social queuing to identify and prevent ticket purchaser simulation | |
CN113326991B (zh) | 自动授权方法、装置、计算机设备及存储介质 | |
US9639811B2 (en) | Systems and methods for leveraging social queuing to facilitate event ticket distribution | |
CN111124917B (zh) | 公共测试用例的管控方法、装置、设备及存储介质 | |
CN108667828A (zh) | 一种风险控制方法、装置及存储介质 | |
US9244804B2 (en) | Techniques for gauging performance of services | |
US20230325878A1 (en) | Systems and methods for leveraging social queuing to simulate ticket purchaser behavior | |
CN110968745A (zh) | 数据处理方法、装置、电子设备和计算机可读介质 | |
CN108305134B (zh) | 一种机票订单的安全检测方法、设备以及系统 | |
US9813467B1 (en) | Real-time alignment and processing of incomplete stream of data | |
CN110059083A (zh) | 一种数据评价方法、装置和电子设备 | |
Luo et al. | Where to fix temporal violations: A novel handling point selection strategy for business cloud workflows | |
CN104580109A (zh) | 生成点选验证码的方法及装置 | |
CN109992614B (zh) | 数据获取方法、装置和服务器 | |
US11023479B2 (en) | Managing asynchronous analytics operation based on communication exchange | |
US9256700B1 (en) | Public service for emulation of application load based on synthetic data generation derived from preexisting models | |
KR102464688B1 (ko) | 모니터링 결과의 이벤트 등급 결정 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160330 |