Flink 从0到1实战实时风控系统「已完结」

1-课程介绍与学习指南/

[ 30M] 1-1 这是一门帮你进阶的好课

[6.4M] 1-2 风控项目对于个人职业能力的提升

[ 11M] 1-3 课程设计的思路以及所涵盖的知识点

[6.9M] 1-4 推荐几个课程项目使用的开发工具

2-风控项目需求/

[9.6M] 2-1 羊毛党利用群控和接码平台薅尽羊毛

[8.1M] 2-2 优惠券场景下被薅羊毛的业务逻辑漏洞复盘

[ 20M] 2-3 基于领域驱动分析优惠券场景下风控的架构设计

[ 42M] 2-4 基于领域驱动设计的代码目录分层架构思路

[ 16M] 2-5 优惠券场景下的风控规则和阙值确定

3-风控引擎架构设计及项目演示/

[ 25M] 3-1 风控引擎架构的设计思路

[ 26M] 3-2 画出风控引擎的系统架构图

[ 15M] 3-3 风控规则引擎选用Groovy的原因

[ 22M] 3-4 风控引擎整体技术栈以及版本

[3.8M] 3-5 亿级行为数据集提供的不同类型的羊毛党人数分布

4-风控引擎组件基础知识准备/

[7.8M] 4-1 本章重点和难点

[ 25M] 4-2 理解Flink数据流编程模型

[ 40M] 4-3 代码演示Flink以流批两种方式实现wordcount（上）

[ 30M] 4-4 代码演示Flink以流批两种方式实现wordcount（下）

[ 28M] 4-5 通过有界流和无界流延伸理解Flink批流一体架构

[ 27M] 4-6 理解Flink4大基石之状态机制

[ 30M] 4-7 代码演示Flink基于状态计算实现wordcount（上）

[ 47M] 4-8 代码演示Flink基于状态计算实现wordcount（下）

[ 24M] 4-9 理解Flink4大基石之窗口机制

[ 15M] 4-10 通过大白话通俗的去理解Flink4大基石之时间机（上）

[7.7M] 4-11 通过大白话通俗的去理解Flink4大基石之时间机（中）

[ 13M] 4-12 通过大白话通俗的去理解Flink4大基石之时间机（下）

[ 15M] 4-13 初步认识Flink的Cep模式匹配

[ 25M] 4-14 理解Flink4大基石之checkpoint机制（上）

[ 11M] 4-15 理解Flink4大基石之checkpoint机制（中）

[ 17M] 4-16 理解Flink4大基石之checkpoint机制（下）

[ 26M] 4-17 本章总结

5-基础设施搭建环境搭建及单元测试/

[3.3M] 5-1 本章重点和难点

[ 23M] 5-2 画出项目结构图

[ 25M] 5-3 基于docker的一键式搭建项目环境

[ 36M] 5-4 Springboot基于Maven多模块构建项目

[ 35M] 5-5 基于Junit5+MockMvc的单元测试用例编写（上）

[ 39M] 5-6 基于Junit5+MockMvc的单元测试用例编写（下）

[ 33M] 5-7 Flink流计算的单元测试用例编写（上）

[ 36M] 5-8 Flink流计算的单元测试用例编写（下）

[ 14M] 5-9 基于maven-helper插件解决依赖冲突异常

[ 17M] 5-10 本章总结

6-基础设施搭建springboot工具类封装/

[2.9M] 6-1 本章重点和难点

[ 28M] 6-2 Springboot封装基于FastJson2的json工具类（上）

[ 23M] 6-3 Springboot封装基于FastJson2的json工具类（中）

[ 26M] 6-4 Springboot封装基于FastJson2的json工具类（下）

[ 34M] 6-5 基于LocalDate封装时间工具类+自动生成测试类（上）

[ 30M] 6-6 基于LocalDate封装时间工具类+自动生成测试类（下）

[ 35M] 6-7 Springboot集成slf4j+log4j2（上）

[ 32M] 6-8 Springboot集成slf4j+log4j2（下）

[ 39M] 6-9 Springboot封装自定义异常+全局异常的工具类

[ 42M] 6-10 封装Lettuce+RedisTemplate读写Redis集群（上）

[ 56M] 6-11 封装Lettuce+RedisTemplate读写Redis集群（中）

[ 39M] 6-12 封装Lettuce+RedisTemplate读写Redis集群（下）

[ 46M] 6-13 Springboot封装Hbase工具类

[ 18M] 6-14 本章总结

7-基础设施搭建flink工具类封装/

[2.4M] 7-1 本章重点和难点

[ 42M] 7-2 Flink使用ParameterTool读取配置

[ 65M] 7-3 基于巴希尔(Bahire)-Flink写入Redis集群（上）

[ 38M] 7-4 基于巴希尔(Bahire)-Flink写入Redis集群（下）

[ 45M] 7-5 Flink通过富函数类实现自定义Source

[ 44M] 7-6 Flink自定义Source读取Redis集群（上）

[ 41M] 7-7 Flink自定义Source读取Redis集群（下）

[ 53M] 7-8 Flink自定义Source读取ClickHouse

[ 37M] 7-9 Flink使用JDBC-Connector+预编译批量写入ClickHouse（上）

[ 42M] 7-10 Flink使用JDBC-Connector+预编译批量写入ClickHouse（下）

[ 53M] 7-11 Flink TableSQL Api + 表转流读取Mysql

[ 19M] 7-12 本章总结

8- 风控数据流入口事件接入中心/

[5.1M] 8-1 本章重点和难点

[9.1M] 8-2 风控事件接入中心架构搭建思路

[8.4M] 8-3 事件中心的数据格式

[ 21M] 8-4 Flume监听目录将行为事件数据写入Kafka

[ 50M] 8-5 Flink1.14使用全新的Kafka Connector读取Kafka

[ 53M] 8-6 Flink1.14自定义反序列化消费Kafka Json格式数据

[ 27M] 8-7 ClickHouse存储用户行为路径序列的表设计思路

[ 15M] 8-8 ClickHouse拉取Kafka Json格式的用户行为数据

[ 37M] 8-9 ClickHouse将用户行为聚合为行为路径序列

[ 34M] 8-10 ClickHouse对用户行为序列进行路径挖掘找出羊毛客（上）

[ 36M] 8-11 ClickHouse对用户行为序列进行路径挖掘找出羊毛客（下）

[ 20M] 8-12 ClickHouse对用户行为维度指标存储的表设计思路

[ 33M] 8-13 Flink Job的Checkpoint, State配置以及并行度的合理数量（上）

[ 37M] 8-14 Flink Job的Checkpoint, State配置以及并行度的合理数量（下）

[ 41M] 8-15 Flink对Kafka数据清洗并转化为POJO对象

[ 44M] 8-16 Flink对事件数据流添加水印保证事件行为的有序性

[ 48M] 8-17 Flink基于滑动窗口每5分钟统计用户最近1小时的登录频率

[ 46M] 8-18 Flink aggregate统计用户最近1小时登录频率的聚合操作

9-风控规则判断依据指标计算模块/

[3.9M] 9-1 本章重点和难点

[ 12M] 9-2 风控指标的构成以及指标存储的设计思路

[9.2M] 9-3 基于滑动窗口思想的风控指标采样思路

[ 29M] 9-4 基于Redis快速获取风控指标采样的思路

[7.3M] 9-5 风控指标在Redis唯一id的设计思路

[ 37M] 9-6 Flink和POJO对象之间的关系

[ 23M] 9-7 基于Flink实现的指标通用聚合计算框架思路

[ 83M] 9-8 基于Flink实现的指标通用聚合计算框架初步结构

[6.1M] 9-9 运营后台自定义指标聚合计算规则

[ 40M] 9-10 Flink通过单独线程读取指标聚合计算规则

[ 61M] 9-11 将指标聚合计算规则写入到事件流传播给下游算子思路

[ 23M] 9-12 进一步细化运营后台的指标聚合计算规则自定义

[ 79M] 9-13 通过反射机制将指标聚合计算规则写入到事件流

[ 64M] 9-14 keyBy算子根据指标聚合计算规则进行分组

10-风控系统核心规则引擎/

[1.7M] 10-1 本章重点和难点

[ 85M] 10-2 window算子根据指标聚合计算规则将事件分配到对应窗口

[ 87M] 10-3 根据指标聚合计算的规则进行增量聚合计算

[ 56M] 10-4 aggregate算子根据指标聚合计算的规则进行结果输出

[ 71M] 10-5 Kafka工具类直接返回事件流以及配置带环境的配置信息

[ 20M] 10-6 风控规则的Mysql表设计思路及运营后台配置

[ 12M] 10-7 风控规则的条件判断表达式解析的方案

[ 53M] 10-8 Aviator引擎的表达式运算及自定义函数

[ 55M] 10-9 Aviator引擎应用于风控规则条件的判断

[ 28M] 10-10 Flink自定义生成规则事件流

[ 26M] 10-11 Flink将规则事件流广播到行为事件流

[ 35M] 10-12 行为事件流读取规则事件流中的风控规则（1）

[ 38M] 10-13 行为事件流读取规则事件流中的风控规则（2）

[ 32M] 10-14 对行为事件使用对应的规则进行风控判断

[8.4M] 10-15 本章总结

11-实时风控动态规则实现/

[3.1M] 11-1 本章重点和难点

[8.0M] 11-2 哪种类型的风控规则适合实时计算以及实时判定

[ 42M] 11-3 Flink-Cep开发流程及模式匹配

[ 62M] 11-4 Flink-Cep检测最近1分钟登录失败超过阈值的用户

[ 42M] 11-5 Flink-Cep以严格近邻的模式检测连续登录失败的用户

[ 50M] 11-6 Flink-Cep基于迭代条件检测最近15分钟IP频繁变化的用户

[ 17M] 11-7 Flink-Cep检测具有明显薅羊毛特征行为路径的用户

[ 52M] 11-8 Flink-Cep对匹配事件的提取并且输出到事件流

[7.1M] 11-9 Flink-Cep基石 NFA状态转移流程

[7.4M] 11-10 为什么选择Groovy生成Flink-Cep Pattern对象

[ 16M] 11-11 Java集成Groovy之执行Groovy脚本

[ 30M] 11-12 Java集成Groovy之从指定位置加载Groovy脚本

[ 37M] 11-13 Java集成Groovy之调用Groovy脚本的自定义类

[ 37M] 11-14 Groovy能动态加载脚本的底层原理

[ 48M] 11-15 Flink-Cep基于Groovy脚本动态加载Pattern

[ 24M] 11-16 Groovy动态加载脚本频繁触发Full GC 的解决方案

12-风控引擎部署单元测试/

[ 13M] 12-1 总结风控引擎涉及的Flink任务

[ 27M] 12-2 风控运营后台最终定稿版

[8.6M] 12-3 总结Flink-Cep和DataStream Api进行风控的不同使用场景

[ 59M] 12-4 测试Flink-Cep检测登录失败超过阈值的用户

[ 78M] 12-5 测试Flink-Cep检测连续事件序列的用户

[ 25M] 12-6 测试Flink-Cep基于Groovy脚本加载Pattern-

[ 23M] 12-7 通过运营后台动态修改Flink-Cep Pattern参数

[ 75M] 12-8 使用通义灵码和MybatisPlus3.5+ 自动生成CRUD

13-风控引擎部署打包部署/

[6.4M] 13-1 部署定时任务 模拟源源不断的行为事件流

[ 13M] 13-2 部署定时任务 ClickHouse将用户每小时的行为事件归档

[ 14M] 13-3 补充 Flink-CDC的底层原理

[ 70M] 13-4 补充 Flink-CDC实时捕获Mysql数据变更

[ 53M] 13-5 补充 Flink-CDC自定义反序列化

[ 33M] 13-6 部署风控规则 Flink-CDC监听规则表

[ 32M] 13-7 补充 Flink 双流Join

[ 30M] 13-8 部署风控规则 通过Join对规则组信息进行维度补充

[ 40M] 13-9 部署风控规则 广播规则使得行为事件携带规则组

[ 21M] 13-10 部署风控规则 遍历规则组产生冗余行为事件并规则判断

14-风控引擎部署压测优化/

[2.4M] 14-1 Flink背压的表现

[3.1M] 14-2 Flink流量压测方法

[ 11M] 14-3 Flink背压告警以及造成的影响

[2.5M] 14-4 Flink背压解决方案

资料代码/