qq_38196449的博客

原创 支付订单成功异步MQ权益发放设计和开发

核心定义：用户支付成功后，系统根据订单内容给用户开通对应的服务权限打个比方：就像你买了视频会员，支付成功后账号立即获得观看权限用户直接购买某一项具体权益，例如：购买 10 次 AI 面试次数对应，订单中有明确的benefitId发放逻辑：查出权益信息 → 构建 1 条 BenefitItem → 发 MQ。

原创 支付订单超时处理与状态补偿机制设计

假如10分钟到了，MQ监听器会消费死信队列里的订单消息，查询数据库中订单的状态，已支付和已取消就直接return，如果是未支付则查一下微信服务这笔订单的状态，如果微信服务返回的是已支付，则更新数据库这比订单为已支付的状态。RabbitMQ发送订单消息到交换机中，交换机又路由到延迟队列中，队列中的消息超时进入死信队列。等待消息超时过期会进入到下面的死信队列，然后MQ的监听器会监听到，从而关闭订单。幂等检查就是查询此订单现在的状态，如果和要更新的状态一致，则return。更新数据库订单状态为“已支付”

原创 微信支付V3版回调通知解密逻辑讲解

微信支付会按照（15s/15s/30s/3m/10m/20m/30m/30m/30m/60m/3h/3h/3h/6h/6h）的频次重复发送回调通知，商户需告知微信支付接收回调失败，HTTP应答状态码需返回5XX或4XX，同时需返回应答报文。商户需告知微信支付接收回调成功，HTTP应答状态码需返回200或204，无需返回应答报文。打个比方：你点外卖，商家做好后通知你，回调就是微信支付通知商户支付结果。若商户应答回调接收成功，微信支付将不再重复发送该回调通知。若商户应答回调接收失败，或超时(5s)未应答时。

原创 有状态依赖的集成测试验证 + 断言 测试微信支付

（说明配置文件没读取成功），这个测试方法依然会显示“绿色通过”。但加上断言后，一旦配置没加载上，测试就会立刻变红报错，提醒你：“喂，商户号是空的，配置有问题！JUnit 5 默认不保证测试方法的执行顺序（通常按哈希值随机执行），案例测试步骤存在强依赖（必须先有订单才能查询和关闭）编写有状态依赖的集成测试，特别是针对第三方支付（微信支付）的完整生命周期测试（下单 -> 查询 -> 关闭）如果不符合，测试就会直接报错（Fail），并提示你哪里出了问题。比如我们上面的代码中，如果没有这行代码，即使。

原创 订单模块设计和微信支付业务架构说明

核心定义：订单支付模块是电商系统的核心组件，负责处理用户购买商品后的支付全流程简单说，订单支付模块就像一个收银台+财务系统，既要处理收款，又要管理订单状态核心定义：对称加密是指加密和解密使用同一把密钥的加密方式简单说，就像一把钥匙既能锁门也能开门优缺点优点加密解密速度快，适合大数据量算法简单，计算资源消耗少缺点密钥分发困难，需要安全通道传输密钥多方通信时需要维护多把密钥，无法解决身份认证问题对称加密工作原理常见对称加密算法算法密钥长度特点适用场景AES128/192/256位。

原创 扫码登录回调全链路架构图

原创 微信扫码登录-公众号带参数二维码整体架构设计

扫码登录是一种免密登录方式，用户通过微信扫描网页二维码即可完成登录，无需输入账号密码简单说，扫码登录就像刷脸进门，用手机扫一下就能登录，既安全又方便安全性高：基于微信认证，无需在第三方网站输入密码体验流畅：扫码即登录，3秒完成整个流程用户基础大：微信用户超12亿，覆盖面广自动注册：首次扫码自动创建账号，无需填写注册表单定义：微信公众平台提供的一种特殊二维码，可以携带自定义的场景参数类型：分为临时二维码（）和永久二维码（场景值：每个二维码可以携带一个唯一的scene_str参数，用于标识不同的业务场景。

原创 一篇文章带你学会分布式存储技术 阿里云OSS

阿里云登录 - 欢迎登录阿里云，安全稳定的云计算服务平台OSS(Object Storage Service)是一种对象存储服务,不同于传统的文件系统扁平存储:没有真正的目录结构,只有key-value元数据丰富:每个对象带有元数据(大小、类型、上传时间等)HTTP访问:通过HTTP/HTTPS协议访问无限容量:理论上可存储无限数量的文件概念说明类比Bucket存储空间,独立的容器云盘的根目录Object具体的文件云盘里的文件Key对象的唯一标识文件路径EndpointOSS访问地址。

原创 手机短信验证码架构设计方案

短信一般3-5秒到达,如果超过30秒未收到,建议提示用户重发。:发送失败时给出清晰的错误提示,如"短信服务繁忙,请稍后再试":只使用数字0-9,不使用容易混淆的字母(如O和0,I和l):短信发送失败时,可以重试1-2次,但不要过多重试。:图形验证码必须在服务端生成和校验,不能在前端校验。:检查Redis中上次发送时间,硬性限制60秒。:发送前必须先通过图形验证码,防止机器人。:限制同一手机号每天5次,防止恶意攻击。:如果并发高,可以考虑异步生成验证码。:发送后按钮禁用60秒,防止误点击。

原创 电商系统在双11大促活动下的架构体系

了解双11 的历程学习当前主流的电商系统架构体系了解大促对电商系统的一些挑战面对大促活动，站在架构师角度思考，可能有哪些问题，如何应对从组织架构到技术架构，当前各大电商系统基本趋于中台化。中台在2015由阿里提出，其实是一种企业架构而不是单纯的技术层面，目前几乎各大电商都进行着中台化的建设。中台没有什么神秘的，说到底，中台就是对“共享”理念系统化的归纳和总结。重复功能建设和维护带来的重复投资烟囱式建设造成系统壁垒，数据孤岛业务沉淀促进可持续发展大中台小前台快速响应市场的需要。

原创 电商系统演进（业务与架构）

综合前面的业务模式，各业务类型中都具备基本的商品、交易、库存、支付等公共部分。提炼这部分基础内容进行沉淀，逐步形成中台基础能力层；而个性化的业务流程部分上浮，形成产品层。这样做的好处是：基础能力层聚焦于稳定收敛的业务模型和基础服务本身，不会随业务和前台产品的调整发生大的变化；平台产品层则专注于通过流程编排类的技术手段，将基础能力构建成业务的解决方案，解决共性和个性化的问题。即"大中台，小前端任何体系的成型不是一蹴而就，随着访问量、数据量的增长，业务需求在推动技术架构的发展变革。

原创 【项目管理】互联网大厂Git多分支规范

Git分支管理是指在Git版本控制系统中，通过创建和管理多个分支来组织代码开发流程，支持并行开发、代码隔离和版本控制简单说，就像一棵树的主干和分支，main分支是主干，feature分支是枝叶，每个分支都可以独立生长，最后再合并到主干并行开发：多个功能可以同时开发而不相互干扰代码隔离：开发分支、测试分支、生产分支相互隔离版本管理：支持版本回退、热修复和发布管理团队协作：多人协作时减少代码冲突。

原创 离散与连续概率分布对比：PMF、PDF、CDF在数据建模中的实际应用

在前面的文章中，我们已经学习了：随机变量数学期望方差条件概率贝叶斯思想概率分布（Probability Distribution）随机结果是什么各种结果出现的可能性有多大例如：用户是否点击广告股票未来收益率房屋价格预测图像分类结果大模型下一个Token预测这些问题本质上都需要概率分布进行建模。离散概率分布连续概率分布PMF（概率质量函数）PDF（概率密度函数）CDF（累积分布函数）很多初学者经常混淆：PMF和PDF有什么区别？为什么连续变量概率为0？CDF到底有什么用。

原创 伯努利分布原理：二分类问题中的成功概率建模方法

随机事件发生的可能性随机事件对应的数值结果在机器学习、金融风控、保险精算、医疗预测、人工智能等领域中，我们经常会看到类似的问题：某用户未来违约概率是多少？某股票未来收益率是多少？某病人未来患病风险是多少？某设备未来故障概率是多少？结果具有不确定性我们需要用数学工具描述这种不确定性而随机变量正是概率论中最重要的工具之一。事实上：概率分布贝叶斯推断机器学习深度学习大语言模型都建立在随机变量理论基础之上。没有随机变量就没有现代机器学习本文将系统讲解：什么是随机变量。

原创 随机变量基础：定义、期望与方差在风险预测中的核心作用

随机事件发生的可能性随机事件对应的数值结果在机器学习、金融风控、保险精算、医疗预测、人工智能等领域中，我们经常会看到类似的问题：某用户未来违约概率是多少？某股票未来收益率是多少？某病人未来患病风险是多少？某设备未来故障概率是多少？结果具有不确定性我们需要用数学工具描述这种不确定性而随机变量正是概率论中最重要的工具之一。事实上：概率分布贝叶斯推断机器学习深度学习大语言模型都建立在随机变量理论基础之上。没有随机变量就没有现代机器学习本文将系统讲解：什么是随机变量。

原创 离散概率模型在机器学习分类任务中的应用解析

在机器学习领域中，我们经常会遇到各种分类任务：垃圾邮件识别用户流失预测商品类别识别新闻文本分类疾病诊断图像分类给定一封邮件判断它是否是垃圾邮件给定一张猫的图片判断它属于哪个类别给定用户的行为数据预测用户是否会购买商品分类问题（Classification）离散概率模型（Discrete Probability Model）事实上，在深度学习出现之前，大量机器学习算法都是建立在离散概率理论之上的。例如：朴素贝叶斯（Naive Bayes）

原创 蒙提霍尔问题及其它经典案例：概率论教你做出最优决策！

概率论到底有什么用？在学校里，我们会学习：掷骰子抛硬币摸球问题排列组合但在现实生活中：买房投资医疗诊断自动驾驶人工智能似乎很少有人拿出纸和笔计算概率。概率论只是考试工具事实上恰恰相反。帮助人类在不确定环境中做出最优决策现实世界本身充满随机性：明天是否下雨？股票是否上涨？用户是否购买商品？病人是否患病？AI是否应该执行某个动作？这些问题没有人能够百分之百确定答案。决策比预测更重要如何在不确定条件下做出最优选择的科学。本文将通过多个经典案例带大家理解：蒙提霍尔问题。

原创 多随机变量：联合概率、边际概率、条件概率、独立性与排他性详解

在上一篇文章《随机变量：如何用数学语言描述掷骰子的结果分布？》中，我们学习了：什么是随机变量概率分布离散随机变量连续随机变量数学期望与方差但是现实世界中的问题往往不会只涉及一个随机变量。多个事件同时发生的概率P(A ∩ B)P(X=x,Y=y)只关心某一个变量例如：P(X,Y)XP(X)边际概率对另一个变量求和即可得到边际概率。P(X=1)P(X=1,Y=1)P(X=1,Y=2)...P(X=1,Y=6)已知某事件发生后另一事件发生的概率例如：今天下雨今天堵车概率。

原创 随机变量：如何用数学语言描述掷骰子的结果分布？

随机变量（Random Variable）随机变量到底是什么？它和普通变量有什么区别？随机变量就是随机变化的数字事实上，这种理解并不准确。随机变量是概率论中最重要的概念之一，它的出现让人类第一次能够用数学语言描述随机现象。概率是在研究随机事件随机变量就是把随机事件数字化而机器学习中的所有特征：年龄身高收入房价点击率本质上都可以看作随机变量。本文将通过最经典的“掷骰子”案例，系统讲解：为什么需要随机变量什么是随机变量随机变量如何描述骰子结果概率分布是什么。

原创 为什么机器学习模型需要处理不确定性？概率论的现实意义

为什么机器学习模型给出的结果不是100%确定的？例如：天气预报说明天下雨概率80%垃圾邮件识别模型判断为垃圾邮件概率95%大语言模型回答问题时并不总是相同自动驾驶系统无法保证每次识别都绝对正确事实上，现实世界本身就是充满不确定性的。而概率论（Probability Theory）的出现，就是为了帮助人类描述和处理这种不确定性。没有概率论，就没有现代机器学习。利用历史数据估计未来事件发生概率的过程。本文将系统讲解：为什么现实世界存在不确定性概率论如何描述不确定性为什么机器学习离不开概率论。

原创 两种概率学派：频率派与贝叶斯派——概率世界中的两大思想流派

同样是计算概率，不同的人却给出了不同的解释。例如：这种疾病的发病概率是1%根据目前掌握的信息，这个病人患病概率是80%为什么会出现这种差异？概率并不只有一种解释方式。在统计学的发展历史中，逐渐形成了两大概率学派：频率派（Frequentist）贝叶斯派（Bayesian）这两个学派贯穿了整个统计学发展史，也深刻影响着现代机器学习和人工智能的发展。机器学习中的很多算法，本质上都是两大学派思想的体现。本文将系统讲解：什么是概率学派频率派的核心思想贝叶斯派的核心思想两者的区别与联系。

原创 概率的直观理解——几个最重要的概率概念详解

概率（Probability）例如：机器学习预测用户购买商品的概率垃圾邮件分类的概率大语言模型预测下一个词出现的概率天气预报中的降雨概率但是对于很多初学者来说，概率论往往是最容易让人头疼的一部分。因为各种概念层出不穷：概率事件随机变量条件概率联合概率独立事件贝叶斯概率导致很多人学到后面越来越迷糊。实际上，概率论并没有想象中的那么复杂。概率论就是研究“不确定性”的数学工具。本文将从最直观的角度出发，带大家理解概率到底是什么，以及机器学习中最常见的几个概率概念。

原创 掌握 Transformer 位置编码原理——为什么 Transformer 能理解词语顺序？

位置编码（Positional Encoding）是 Transformer 架构不可或缺的重要组成部分，它解决了 Self-Attention 无法感知词序的问题。本文重点掌握了：1、为什么 Transformer 需要位置编码；2、RNN 与 Transformer 的区别；3、位置编码核心思想；4、Sin-Cos位置编码公式；5、位置编码生成原理；6、Embedding与位置编码融合方式；7、固定位置编码与可学习位置编码；8、相对位置编码思想；9、RoPE旋转位置编码原理；

原创 掌握 ViT（Vision Transformer）模型结构——Transformer 如何征服计算机视觉领域

ViT借鉴BERT设计。[CLS]分类Token。Vision Transformer（ViT）是计算机视觉领域最具影响力的模型之一，它成功将 NLP 中的 Transformer 引入图像处理任务，并开启了视觉 Transformer 时代。本文重点掌握了：1、ViT提出背景；2、CNN存在的局限；3、ViT核心思想；4、Patch切分机制；5、Patch Embedding原理；6、CLS Token作用；7、Position Embedding原理；

原创 掌握 DeiT（Data-efficient Image Transformer）模型结构——让 Vision Transformer 摆脱海量数据依赖

在上一篇《掌握 ViT 模型结构》中，我们已经了解了 Vision Transformer（ViT）的基本原理。ViT 的出现让 Transformer 成功进入计算机视觉领域，并取得了超越传统 CNN 的性能表现。训练数据需求极大JFT-300M数据集。3亿张图片对于绝大多数企业和研究团队来说，这种训练成本几乎无法承受。能否在普通数据集上训练Transformer？2021年，Facebook AI Research（FAIR）提出了一篇重量级论文：DeiT数据高效视觉Transformer。

原创 掌握 MobileViT 等高效率模型结构——CNN 与 Transformer 融合时代的轻量化视觉网络

近年来，Transformer 在计算机视觉领域取得了巨大成功。从：ViTDeiTBEiTDINO到如今的各种视觉大模型。Transformer 几乎成为视觉领域的主流架构。Transformer性能很强但计算开销巨大例如：8600万+参数。在服务器环境中运行问题不大。但是：对于：手机平板嵌入式设备边缘计算设备自动驾驶终端而言。计算成本过高。能否让Transformer变得轻量化？与此同时：CNN虽然轻量高效。但全局建模能力不如Transformer。

原创 了解图像分类问题划分——从任务类型到数据组织的系统化认知

图像分类（Image Classification）是计算机视觉领域最基础、也是最重要的任务之一。无论是：CNN时代的 ResNet、VGGTransformer时代的 ViT、DeiT轻量化模型 MobileNet、MobileViT它们的第一步应用场景，几乎都是图像分类。图像分类并不是一个单一任务，而是一个“任务体系”根据数据组织方式、类别关系、标签形式以及应用场景不同，图像分类可以被清晰划分为多个子类型。

原创 了解多类别图像分类模型结构——从Softmax到现代视觉分类网络的完整演进

多类别图像分类（Multi-class Classification）例如：一张图片属于猫、狗、鸟中的某一类一张图片属于1000个ImageNet类别中的一个一张工业图像属于正常、划痕、裂纹中的一种每个样本只能属于一个类别（互斥关系）这类任务是计算机视觉的“基础中的基础”，也是所有视觉模型的起点。从传统机器学习到 CNN，再到 Vision Transformer，多类别分类模型经历了完整演进。本文将系统讲清：多类别分类任务本质模型结构设计Softmax分类机制CNN分类模型结构。

原创 了解多标签图像分类方法——从Sigmoid输出到真实世界复杂视觉理解

一张图片可以同时属于多个类别其中：C：类别数量y_i = 1 表示该类别存在y_i = 0 表示不存在多标签图像分类是比多类别分类更接近真实世界的一类视觉任务，它允许一张图片同时拥有多个语义标签，因此在复杂场景理解中具有极高价值。本文重点掌握了：1、多标签分类定义；2、与多类别分类区别；3、Sigmoid机制；4、BCE损失函数；5、CNN与Transformer结构；6、标签建模方法；7、核心挑战；8、评价指标；9、应用场景；10、发展趋势。

原创 【工业领域】了解目标检测基本流程——从数据到部署的完整工程化思路

在工业视觉系统中，图像分类已经无法满足复杂场景需求。这是什么它在哪里目标检测（Object Detection）目标检测广泛应用于：工业缺陷检测自动驾驶智能安防物流分拣医学影像分析它是连接“视觉理解”和“工程落地”的核心技术之一。本文将从工业视角出发，系统讲清目标检测的完整流程。在图像中找到所有目标，并给出类别 + 位置目标检测是工业视觉系统的核心技术，它不仅要求识别“是什么”，还要精确定位“在哪里”，因此在工程中具有极高价值。

原创 【工业领域】了解目标检测评估指标——从mAP到IoU的完整评价体系解析

在工业视觉系统中，目标检测模型不仅要“能用”，更要“可靠”。例如在产线检测中：检测漏掉一个缺陷 → 可能造成质量事故误检一个正常产品 → 降低生产效率定位偏差过大 → 影响后续自动化处理因此，仅仅看“准确率”远远不够。目标检测评估指标体系本文将系统讲清工业领域最重要的检测评估指标，包括 IoU、Precision、Recall、AP、mAP 等核心概念。目标检测评估的核心基础。Precision vs Recall 曲线AP = PR曲线面积预测框↓计算IoU↓匹配GT↓。

原创 【工业领域】掌握非极大值抑制（NMS）目标检测后处理方法——从重复框消除到工程落地核心技术

在目标检测系统中，模型的输出通常不是“一个框”，而是一堆候选框。猫 → 可能输出10个框只保留一个最准确的框否则会出现严重问题：重复检测结果混乱工业系统误报警非极大值抑制（Non-Maximum Suppression, NMS）NMS是工业目标检测后处理的核心技术之一。候选框↓置信度排序↓选最高框↓计算IoU↓过滤重叠框↓重复循环↓最终输出。

原创 掌握YOLO v1-v8的系列算法原理——从单阶段检测到工业级实时视觉系统演进

YOLO系列是目标检测领域最重要的技术路线之一，它从最初的Grid回归模型发展到如今的Anchor-free多任务统一架构，经历了工程与算法的双重进化。本文系统梳理了：1、YOLO核心思想；2、v1-v8整体演进；3、Anchor机制变化；4、多尺度检测；5、工程优化策略；6、损失函数设计；7、Backbone/Neck/Head结构；8、工业应用场景；9、发展趋势。

原创 掌握基于YOLO v5实现车牌目标检测任务的完整流程——从数据到部署的工业级实践

在图像中定位出车牌所在位置（Bounding Box）相比普通目标检测任务，车牌检测具有一些典型特点：目标尺寸较小受光照影响大存在倾斜、模糊、遮挡背景复杂（城市道路）因此，YOLO v5成为工业界最常用的解决方案之一。如何基于YOLO v5实现车牌目标检测涵盖从数据准备到模型训练，再到推理部署的全流程。基于YOLO v5实现车牌检测是一个典型的工业级目标检测应用，它涵盖了数据工程、模型训练、优化部署等完整流程。本文系统讲解了：1、任务定义与目标；2、数据采集与标注；

原创 【医疗与直播领域】了解图像分割问题划分——从像素级理解到应用场景解析

每一个像素属于什么这使得图像分割成为最精细、最接近“人类视觉理解方式”的视觉任务之一。在医疗与直播两个看似完全不同的领域中，图像分割都扮演着核心角色：医疗：精准定位病灶、器官边界直播：人物抠图、背景替换、美颜分割本文将系统讲清图像分割的任务划分与核心思想。为每一个像素分配类别标签图像分割是一类极其重要的视觉任务，它从像素级别理解图像结构，在医疗与直播两大领域都有着不可替代的作用。本文系统讲解了：1、图像分割定义；2、三大任务划分；3、语义/实例/全景分割区别；4、医疗应用场景；

原创 掌握语义分割经典模型 FCN——从像素分类到端到端分割的奠基之作

在深度学习视觉任务中，语义分割是最具“像素级理解能力”的任务之一。如果说：分类是在判断“是什么”检测是在判断“在哪里”每一个像素是什么FCN（Fully Convolutional Network，全卷积网络）深度学习首次实现端到端语义分割本文将系统讲解 FCN 的核心思想、结构演进与工程意义。将CNN用于像素级分类的端到端分割模型输入图像↓卷积特征提取（Encoder）↓降采样↓上采样恢复↓像素分类↓输出Mask。

原创 掌握语义分割经典模型 U-Net——医疗影像分割的黄金标准与工程实践核心

在语义分割领域，如果说 FCN 是“开创者”，那么 U-Net 就是“工业化最成功的经典模型”。U-Net = 医疗分割的标准答案之一它被广泛应用于：肿瘤分割器官分割病灶检测细胞分割甚至在数据极少的情况下依然表现稳定。本文将系统讲清 U-Net 的核心结构与设计思想。基于Encoder-Decoder结构的语义分割模型输入图像↓Encoder（特征提取）↓Bottleneck（语义压缩）↓Decoder（特征恢复）↓Skip Connection融合↓输出Mask。

原创 掌握膨胀卷积原理——从感受野扩展到语义分割核心算子

感受野（Receptive Field）感受野决定了模型“看到的范围”。但在很多任务中，比如：语义分割（FCN / U-Net / DeepLab）目标检测（小目标 + 大场景）医疗影像（大范围上下文）单纯堆叠卷积层会带来两个问题：计算量变大分辨率下降（信息损失）膨胀卷积（Dilated Convolution / Atrous Convolution）它可以在不增加参数的情况下扩大感受野。

原创 掌握语义分割经典模型系列 DeepLab——从空洞卷积到多尺度分割的工业级标准

在语义分割领域，如果说：FCN 是“开创者”U-Net 是“医疗标杆”工业级语义分割的性能天花板之一在不降低分辨率的情况下提升分割精度本文将系统讲解 DeepLab 系列的核心思想与演进路径。v1：空洞卷积v2：ASPPv3：强化ASPP1. 不降采样（空洞卷积）2. 多尺度融合（ASPP）3. 编码解码结构（v3+）DeepLab系列是语义分割领域最具影响力的模型之一，它通过空洞卷积与多尺度特征融合机制，解决了传统分割模型中“分辨率损失与上下文不足”的核心问题。

原创 掌握从零搭建图像分割模型并实现训练与测试的完整流程——从数据到部署的工程化实践

对每一个像素进行分类相比分类和检测任务，分割任务更复杂，因为它同时要求：像素级精度空间结构理解多尺度语义融合只懂模型，不懂完整工程流程本文将带你从零构建一个完整图像分割系统，包括：数据准备模型构建训练流程验证评估推理测试形成一条完整闭环。从零搭建一个图像分割系统，本质上是一个完整的工程闭环过程，它不仅仅是训练模型，更重要的是理解：数据如何组织模型如何构建损失如何设计如何评估模型如何部署上线本文系统讲解了：1、数据准备；2、Dataset设计；3、模型构建；