在cloudfoundry上构建分布式应用—-概述

以下应用的想法来自于一个关于web 分布式架构的演讲感染(见引用部分)。其中提到用熟悉的工具搭建起组件,再集成起来完成某种业务功能,很拽呦;后来看到可以使用cloudfoundry提供的组件支持,那就试一下喽。

动心不如动手,那就开始吧:

首先描述一下场景,假想一个类似银行的信用卡业务的交易处理系统需要做消费欺诈的检测。有两个出发点:

  • 大多数的用户交易都是合规的,不能因为要查用户交易,就影响到正常的交易。
  • 安全规则和诈骗手法都是在发展变化的,破坏一个东西比建设一个东西要容易的多;只有快速更新安全规则才能预防和缓解“勤劳的”骗子的攻击。

有了目标,那怎么做呢?头大?那就拆分一下吧:

  • 终端模拟。终端是消费的渠道,网站、店铺刷卡等等;这里采用一个B/S应用模拟一下。
  • 交易排查。从终端过来的大量的交易数据,经过一个排查系统,从中寻找可疑交易。
  • 检测处理。可疑的交易数据反馈到检测平台,由值班业务人员对它进行处理。

有了子系统拆分,且清楚子系统的工作内容;下一步就是考虑子系统的技术选型了。

  • 终端模拟。选择Spring+thymeleaf .  Spring不用说了,地球人都知道。Thymeleaf也 真心不错,能在页面浏览器中直接预览静态数据效果,而且在服务器端执行时,可以将模板放到内存中,直接填充数据生成客户端页面。直击许多EE开发后端模板的不便之处。
  • 交易排查。这里选择了drools . 为什么选它呢,没别的,向jboss致敬。
  • 检测处理。检测需要有人盯着仪表盘,又不能让人总点刷新按钮。既然nodejs这么火,前后通吃,试一下喽。

呵呵,看到这里,你可能会说没有什么选择依据么。恭喜你说对了,是这么回事,有时看到一些技术贴子,就想试一下(可见宣传还是重要的,不知道哪个方向的风能吹来新用户。只要不扰民都是可行的)。

接下来就是实现了,此处省略 一千字,——哦,不!是一千个 copy/paste ……

实现后是什么样子呢,以下贴几个图来说明一下使用的效果是什么样的,(别信广告,也别看人家的疗效,自己试一下喽)。

首先呢我们用模拟终端 模拟一下产生交易数据;如下图,点击几次在交易;

模拟器地址:http://cfclient.cloudfoundry.com/trans.html 


终端模拟只模拟浏览器是不够滴,那么我们就再实现一个android的终端模拟器吧:


这时我们在监控应用出看到了这些交易都输出到了正常交易区;然后我们再模拟终端处模拟一下不同地点的交易,如下图:

监控器地址:http://cfmonitor.cloudfoundry.com/


咦,我们可以看到可疑区出现了 一些数据,为什么呢,原因来自于交易排查出这部分交易违反了安全规则,如下图:


实现部分,就到这里吧。然后,我们看看开始的目标:

1,交易处理和交易排查是独立的应用,互不影响,且是实时的。满足。

2,当骗子的手法升级了,排查的规则算法可以独立升级。亲,可以不影响大多数普通交易的进行呦。满足。

先写到这吧,把文中涉及到的一些内容的链接列在下面作为结束。

资料引用:

1, CloudFoundry   .  http://cloudfoundry.com/

2,ThemeLeaf .    http://www.thymeleaf.org/

3,  Drools .  http://www.jboss.org/drools

4, NodeJs   http://nodejs.org/

5, 分解应用PPT   http://springonechina.cloudfoundry.com 上的 Richardson

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值