[13章]Flink 从0到1实战实时风控系统
学习地址1：https://pan.baidu.com/s/1lB-ocUdSV_wan7KLPQE01A 提取码：4ieb
学习地址2：https://pan.baidu.com/s/1Op81Pp4HvzE0ifEOAIwPiw 提取码：03nj

Flink 从0到1实战实时风控系统视频教程2023，Flink是一个分布式流处理框架，提供了高性能、低延迟、可靠性等特性，适合处理大规模数据流。在基于Flink的风控系统中，通常需要使用一些数据处理和机器学习相关的库，例如Flink-ML（机器学习库）、Flink-Kafka（Kafka流数据处理库）、Flink-Table（数据表查询库）等。需要根据实际需求选择合适的技术栈，充分利用Flink的优势。

以下是使用Flink进行风控系统开发的一些技术栈参考：

Flink-ML：提供了多种机器学习算法和工具，例如线性回归、决策树、随机森林、支持向量机等。可以用于建立模型进行用户行为分析和风险预测等。
Flink-Kafka：提供了对Kafka数据源的支持，包括数据读取、写入和转换等操作。在风控场景中，可以使用Flink-Kafka集群进行数据转发和存储，将数据从一个或多个数据源获取，并存储到目标系统中。
Flink-Table：提供了对数据表的支持，包括SQL查询、实时更新和缓存等操作。在风控场景中，可以使用Flink-Table对数据处理和分析，将数据从一个或多个数据源获取和处理，并将结果输出到目标系统中。
Flink-Stream：提供了对实时数据流的计算和分析的支持，包括事件驱动、窗口查询和流式计算等操作。在风控场景中，可以使用Flink-Stream对实时数据流进行实时检测和分析，实现实时的风控预测和决策。

b.计数方式的选择:
目前能想到的会有:
mysql+db事务 持久化、记录可溯源、实现起来比较麻烦,稍微“重”了一点
redis+lua 实现简单,redis的可执行lua脚本的特性也能满足对“事务”的要求
mysql/redis+分布式事务 需要上锁,实现复杂,能做到比较精确的计数,也就是真正等到代码块执行成功之后,再去操作计数。
//简化版代码
@Component
class DetectManager {
    fun matchExceptionally(eventId: String, content: String){
        //调用规则匹配
        val rt = ruleService.match(eventId,content)
        if (!rt) {
            throw BaseException(ErrorCode.OPERATION_TOO_FREQUENT)
        }
    }
}