数美科技大数据平台:从Hadoop到ClickHouse的实时风控演进
1. 数美科技大数据平台演进概述数美科技作为国内领先的在线业务风控服务商其大数据平台经历了从传统批处理到实时交互式分析的完整演进过程。早期平台采用典型的Hadoop生态架构数据查询响应时间普遍超过24小时严重制约了业务决策效率。而当前平台已实现定义即可查的实时交互能力查询延迟降低至秒级数据规模突破数百TB级别。这个转变背后是三个核心突破点首先是存储引擎从HDFS迁移到ClickHouse列式数据库使压缩比提升5倍的同时查询性能提高10倍以上其次是计算框架引入Spark SQL实现批流统一处理告别了原先MapReduce的繁重开发模式最后是采用JSON作为统一数据交换格式简化了上下游系统集成复杂度。2. 技术架构深度解析2.1 存储层ClickHouse的极致优化在ClickHouse集群部署上数美采用双副本分片集群模式每个分片由6节点组成。针对风控场景的特殊需求对默认配置进行了多项关键调整-- 建表示例展示特殊配置 CREATE TABLE risk_events ( event_time DateTime64(3, Asia/Shanghai), user_id String CODEC(ZSTD(3)), device_fp String CODEC(ZSTD(5)), risk_score Float32, features Nested( name String, value Float32 ) ) ENGINE ReplicatedMergeTree() PARTITION BY toYYYYMM(event_time) ORDER BY (user_id, event_time) TTL event_time INTERVAL 180 DAY SETTINGS index_granularity 8192;关键配置说明ZSTD压缩算法针对不同字段设置差异化的压缩级别设备指纹等长文本采用更高压缩比TTL机制自动清理过期数据DateTime64精确到毫秒满足风控时序需求。实际运行中遇到的最大挑战是稀疏列存储问题。当某些特征字段空值率超过90%时默认存储方式会浪费大量空间。通过启用allow_suspicious_low_cardinality_types参数对枚举型字段使用LowCardinality类型使存储空间减少40%。2.2 计算层Spark SQL的批流统一数美在Spark集群部署上选择YARN资源管理模式采用动态资源分配策略spark-submit \ --master yarn \ --deploy-mode cluster \ --conf spark.dynamicAllocation.enabledtrue \ --conf spark.shuffle.service.enabledtrue \ --conf spark.dynamicAllocation.maxExecutors100 \ --conf spark.sql.adaptive.enabledtrue \ --executor-memory 16G \ --executor-cores 4 \ --class com.shumei.risk.AnalysisJob \ risk-analysis.jar特征工程中大量使用Spark SQL的窗口函数实现滑动时间窗统计val behaviorFeatures spark.sql( SELECT user_id, COUNT(*) OVER ( PARTITION BY user_id ORDER BY event_time RANGE BETWEEN INTERVAL 1 HOUR PRECEDING AND CURRENT ROW ) AS hour_actions, AVG(risk_score) OVER ( PARTITION BY device_fp ORDER BY event_time ROWS BETWEEN 100 PRECEDING AND CURRENT ROW ) AS device_avg_score FROM risk_events WHERE event_time NOW() - INTERVAL 7 DAY )2.3 数据交换JSON Schema治理采用JSON Schema规范数据格式使用ajv工具进行校验{ $schema: http://json-schema.org/draft-07/schema#, type: object, properties: { event_time: { type: string, format: date-time }, risk_score: { type: number, minimum: 0, maximum: 1 }, ip_info: { type: object, properties: { country: {type: string}, asn: {type: integer} } } }, required: [event_time, risk_score] }在Spark中通过自定义SerDe实现JSON高效解析val schema new ArrayType( StructType(Seq( StructField(feature_name, StringType), StructField(feature_value, FloatType) )) ) spark.read.schema(schema) .option(mode, FAILFAST) .json(/data/events/*.json)3. 性能优化实战3.1 ClickHouse查询加速技巧针对风控场景的典型查询模式我们设计了特殊的物化视图CREATE MATERIALIZED VIEW risk_stats_hourly ENGINE AggregatingMergeTree() PARTITION BY toYYYYMMDD(event_time) ORDER BY (user_id, feature_type) POPULATE AS SELECT user_id, featureType AS feature_type, toStartOfHour(event_time) AS hour_time, countState() AS event_count, avgState(risk_score) AS avg_score FROM risk_events GROUP BY user_id, featureType, hour_time;查询时使用最终模式FINAL保证数据一致性SELECT user_id, sumMerge(event_count) AS total_actions, avgMerge(avg_score) AS overall_risk FROM risk_stats_hourly FINAL WHERE hour_time NOW() - INTERVAL 24 HOUR GROUP BY user_id HAVING total_actions 10 ORDER BY overall_risk DESC LIMIT 1000;3.2 Spark资源调优经验通过分析历史任务得出最佳资源配置比例任务类型Executor数量单Executor内存并行度系数特征计算5016G0.8模型训练3032G0.5数据清洗808G1.2关键Spark参数设置经验spark.sql.shuffle.partitions设为集群核心数×并行度系数对于JOIN操作设置spark.sql.autoBroadcastJoinThreshold64MB启用spark.speculationtrue应对慢节点问题4. 平台运维关键指标4.1 集群监控体系ClickHouse集群核心监控项指标名称预警阈值采集频率ReplicatedQueueSize100010sMemoryUsage90%5sMergeSpeed10MB/s1mQueryDuration99分位5s实时使用PrometheusGranafa构建的监控看板包含查询QPS热力图内存使用趋势副本同步延迟慢查询TOP104.2 数据质量检查每日例行数据质量检查项SELECT toDate(event_time) AS day, countIf(JSONIsValid(raw_data)0) AS invalid_json, countIf(user_id) AS empty_user, count() AS total, invalid_json/total AS bad_rate FROM risk_events WHERE event_time TODAY() - 1 GROUP BY day HAVING bad_rate 0.0001;5. 典型问题排查实录5.1 ClickHouse内存溢出现象查询报错Memory limit exceeded但实际数据量不大 根因GROUP BY字段基数过高导致中间状态爆炸 解决方案增加max_memory_usage参数对高基数字段先做采样或分桶使用approx_percentile替代精确计算5.2 Spark数据倾斜特征计算任务中某个stage耗时异常通过Spark UI定位到处理device_fp的task处理数据量是其他task的100倍解决方案val skewedKeys Seq(device123,device456) val broadcastKeys spark.sparkContext.broadcast(skewedKeys) df.withColumn(is_skewed, when(col(device_fp).isin(broadcastKeys.value), true).otherwise(false)) .repartition(100, col(is_skewed), rand())6. 平台演进路线当前架构仍面临两个主要挑战首先是实时特征计算延迟需要从当前的5分钟降低到30秒以内计划引入Flink替换部分Spark Streaming作业其次是跨数据中心查询性能问题正在测试ClickHouse的分布式表引擎。下一步重点将围绕以下方向基于GPU加速的特征计算自适应查询优化自动化数据分级存储

相关新闻

2026年AI工具测评:8款高效降本增效方案

2026年AI工具测评:8款高效降本增效方案

1. 项目概述:AI降本增效工具测评的必要性2026年将是AI技术深度融入工作流程的关键节点。根据Gartner最新预测,到2026年将有80%的企业采用AI工具优化业务流程,但其中60%会面临工具选择困难症。我花了三个月时间实测了市面上声称能"降低AI…

2026/8/10 3:17:36 阅读更多 →
PHP弱类型比较漏洞解析与CTF实战

PHP弱类型比较漏洞解析与CTF实战

1. 题目背景与核心考点解析"Simple_php"是攻防世界(CTF训练平台)中的一道经典Web题目,主要考察PHP弱类型比较漏洞的利用。题目名称中的"胎教版"暗示这是一道适合新手入门的基础题型,但需要掌握PHP语言特性才能正确解题。这道题的核心…

2026/8/10 3:17:36 阅读更多 →
分布式光伏储能系统优化配置与智能算法实践

分布式光伏储能系统优化配置与智能算法实践

1. 分布式光伏储能系统优化配置的核心挑战光伏发电的间歇性和波动性一直是行业痛点。我在参与某工业园区微电网项目时,曾遇到光伏出力突变导致储能系统频繁切换的问题——某日下午3点云层快速移动,光伏输出功率在10分钟内从1.2MW骤降到0.4MW,…

2026/8/10 3:17:36 阅读更多 →

最新新闻

代码度量实践指南:从复杂度分析到自动化流水线搭建

代码度量实践指南:从复杂度分析到自动化流水线搭建

1. 从“感觉”到“数据”:为什么我们需要代码度量在团队里待久了,你肯定听过这样的对话:“这个模块感觉有点乱,得找时间重构一下”、“最近迭代速度好像变慢了,是不是代码质量下降了?” 这里的“感觉”和“…

2026/8/10 4:21:12 阅读更多 →
树莓派SPI LCD驱动与GBA模拟器整合实战指南

树莓派SPI LCD驱动与GBA模拟器整合实战指南

最近在折腾树莓派复古游戏机项目时,发现很多教程要么只讲软件模拟器,要么只讲屏幕驱动,把两者结合起来的完整实战指南很少。特别是想用一块小巧的SPI接口的LCD屏来显示GBA游戏,从硬件连接到软件配置再到性能优化,中间有…

2026/8/10 4:21:12 阅读更多 →
基于基础模型与ROS的机器人可变形物体灵巧操作实践

基于基础模型与ROS的机器人可变形物体灵巧操作实践

在实际机器人操作任务中,处理可变形物体一直是一个技术难点。这类物体没有固定的几何形状,其状态会随着抓取和操作而实时变化,传统的基于精确建模和路径规划的方法往往难以胜任。幸运饼干就是一个典型的例子:它质地酥脆&#xff0…

2026/8/10 4:21:12 阅读更多 →
研发效能提升:从度量到实践的完整指南

研发效能提升:从度量到实践的完整指南

1. 项目概述:从“救火”到“预防”的效能革命最近和几个在不同规模公司做技术管理的朋友聊天,发现一个挺有意思的现象:大家嘴上都在谈“降本增效”,但一聊到具体怎么落地,尤其是研发团队这块,很多人还是停留…

2026/8/10 4:21:12 阅读更多 →
MAICC框架:多智能体强化学习如何实现高效协作与信用分配

MAICC框架:多智能体强化学习如何实现高效协作与信用分配

1. 从“单打独斗”到“团队作战”:AI协作的必然之痛 如果你最近在关注AI领域,尤其是多智能体(Multi-Agent)或者强化学习(Reinforcement Learning)相关的项目,可能会发现一个有趣的现象&#xff…

2026/8/10 4:21:11 阅读更多 →
AI编程助手功能调整的思考:从Claude Code事件看开发者工具演进与应对

AI编程助手功能调整的思考:从Claude Code事件看开发者工具演进与应对

1. 事件回顾:一次突如其来的产品策略转向 今天早上,我的开发者社群和几个技术论坛直接炸了。消息源很简单,但冲击力巨大:Anthropic官方宣布,将Claude Code功能从其Claude Pro订阅计划中移除。这意味着,所有…

2026/8/10 4:20:11 阅读更多 →

日新闻

GraphQL-CSS API全解析:useGqlCSS、GqlCSS组件与getStyles实用指南

GraphQL-CSS API全解析:useGqlCSS、GqlCSS组件与getStyles实用指南

GraphQL-CSS API全解析:useGqlCSS、GqlCSS组件与getStyles实用指南 【免费下载链接】graphql-css A blazing fast CSS-in-GQL™ library. 项目地址: https://gitcode.com/gh_mirrors/gr/graphql-css GraphQL-CSS是一个基于GraphQL的CSS-in-GQL™库&#xff0…

2026/8/10 0:00:02 阅读更多 →
告别语言障碍:KISS Translator 双语翻译插件终极指南

告别语言障碍:KISS Translator 双语翻译插件终极指南

告别语言障碍:KISS Translator 双语翻译插件终极指南 【免费下载链接】kiss-translator A simple, open source bilingual translation extension & Greasemonkey script (一个简约、开源的 双语对照翻译扩展 & 油猴脚本) 项目地址: https://gitcode.com/…

2026/8/10 0:00:02 阅读更多 →
BepInEx配置管理器:游戏插件配置的终极可视化解决方案

BepInEx配置管理器:游戏插件配置的终极可视化解决方案

BepInEx配置管理器:游戏插件配置的终极可视化解决方案 【免费下载链接】BepInEx.ConfigurationManager Plugin configuration manager for BepInEx 项目地址: https://gitcode.com/gh_mirrors/be/BepInEx.ConfigurationManager 你是否曾经因为游戏插件的复杂…

2026/8/10 0:00:02 阅读更多 →

周新闻

5分钟告别提取码焦虑:baidupankey如何智能破解百度网盘资源锁

5分钟告别提取码焦虑:baidupankey如何智能破解百度网盘资源锁

5分钟告别提取码焦虑:baidupankey如何智能破解百度网盘资源锁 【免费下载链接】baidupankey 在线查询网盘提取码(维护中 rm repo) 项目地址: https://gitcode.com/gh_mirrors/ba/baidupankey 你是否曾经在深夜寻找一份重要资料&#x…

2026/8/10 1:05:29 阅读更多 →
如何快速生成中国车牌图片:Python开源工具完整指南

如何快速生成中国车牌图片:Python开源工具完整指南

如何快速生成中国车牌图片:Python开源工具完整指南 【免费下载链接】chinese_license_plate_generator 中国车牌生成器 项目地址: https://gitcode.com/gh_mirrors/ch/chinese_license_plate_generator 中国车牌生成器是一个基于Python的开源项目&#xff0c…

2026/8/10 1:05:29 阅读更多 →
收藏!小白程序员轻松入门大模型,从Harness工程开始实践

收藏!小白程序员轻松入门大模型,从Harness工程开始实践

文章强调学习大模型不应只关注模型本身,而应重视模型外的系统搭建,即Harness。提出AgentModelHarness的实用公式,详细介绍Harness的四个层次:持久化层、执行层、控制层和观察与验证层。文章还探讨了上下文工程、工具设计、AGENTS.…

2026/8/10 1:05:29 阅读更多 →

月新闻

免费解锁百度网盘SVIP加速:macOS用户必备的下载提速终极指南

免费解锁百度网盘SVIP加速:macOS用户必备的下载提速终极指南

免费解锁百度网盘SVIP加速:macOS用户必备的下载提速终极指南 【免费下载链接】BaiduNetdiskPlugin-macOS For macOS.百度网盘 破解SVIP、下载速度限制~ 项目地址: https://gitcode.com/gh_mirrors/ba/BaiduNetdiskPlugin-macOS 还在为百度网盘macOS版的龟速下…

2026/8/9 17:05:02 阅读更多 →
终极ncmdump指南:3分钟实现网易云NCM音乐解密与格式转换

终极ncmdump指南:3分钟实现网易云NCM音乐解密与格式转换

终极ncmdump指南:3分钟实现网易云NCM音乐解密与格式转换 【免费下载链接】ncmdump 项目地址: https://gitcode.com/gh_mirrors/ncmd/ncmdump 还在为网易云音乐下载的NCM格式文件无法在其他播放器播放而烦恼吗?ncmdump解密工具帮你轻松解决这个困…

2026/8/10 1:05:29 阅读更多 →
HarmonyOS 应用开发《掌上英语》第81篇: 智能体卡片:为英语学习 App 打造桌面级学习助手

HarmonyOS 应用开发《掌上英语》第81篇: 智能体卡片:为英语学习 App 打造桌面级学习助手

AgentCard 智能体卡片:为英语学习 App 打造桌面级学习助手适用平台:HarmonyOS 7.0 (API 26 Beta)一、引言 HarmonyOS 7.0(API 26 Beta)新增了 AgentCard 智能体卡片能力,这是继 HMAF(鸿蒙智能体框架&#x…

2026/8/9 17:05:02 阅读更多 →