首页
学习
活动
专区
圈层
工具
发布
    • 综合排序
    • 最热优先
    • 最新优先
    时间不限
  • 远大数据个人风险报告技术实现全解析

    关键词:个人风险报告, 大数据风控, 技术实现, Python, Vue.js, 系统架构, API接口, 远大数据一、引言:从数据孤岛到综合风险画像在数字化风控时代,单一维度的信用数据已无法满足精准决策的需求 现代大数据风控平台致力于解决这一痛点,其核心的个人风险报告,通过整合海量、多维度的合规数据,为用户提供一站式的风险洞察服务。 本文将以一份典型的报告数据结构为蓝本,深入剖析其技术生命周期,看这类系统是如何实现其强大功能的。二、数据基石:合规API接口与模块化聚合一份专业个人风险报告的价值,在于其丰富的数据维度。 这些数据通过调用一系列稳定、合规的API数据接口聚合而成。 实现引流:在发布的版本中,可以将文中的泛指(如"某风控平台")替换为自己的品牌名(如"远大数据"),并将首次出现的品牌关键词制作成一个指向官网产品页的锚文本链接。

    99500编辑于 2025-06-21
  • 远大数据 - 企业风险报告(专业版)API接口文档

    int", "message": "string", "transaction_id": "string", // 流水号 "data": "string"}data 字段为加密的数据 解密过程:解密时,首先从 Base64 解码后的数据中提取前 16 字节作为 IV。然后使用提取的 IV,通过 AES-CBC 模式解密剩余部分的密文。解密后去除 PKCS7 填充,即可得到原始明文。 注销信息参数名类型说明URLstring关联内容STK_PAWN_DATEstring注销日期STK_PAWN_RESstring注销原因2.1.2.29 抽查检查参数名类型说明ISP_TYPEstring数据类型 :案件信息:每日更新失信记录:实时更新限高记录:实时更新风险评估:每日更新注意事项:部分案件信息可能因保密需要未被公开金额统计可能存在四舍五入的误差历史案件可能因数据迁移等原因缺失部分字段风险评估仅供参考 Type代码:0: 预警提醒1: 自身风险2: 周边风险3: 历史风险具体风险类型Type代码:1: 严重违法3: 失信被执行人(公司)5: 被执行人(公司)6: 行政处罚7: 经营异常8: 法律诉讼9:

    29710编辑于 2025-08-23
  • 来自专栏前端知识分享

    9:CSS精灵图

    ="UTF-8"> 5 <title>精灵图练习</title> 6 <style> 7 .box{ 8 height:138px; 9

    1.2K30发布于 2018-09-11
  • 技术日志挑战——第9:0801

    今天跑来连云港出差了,说是要看一下这边后面软件开发的需求,这次老板,加我负责软件,另一个工程师负责机械,我们三个一起来看设备,了解之后的需求。

    27710编辑于 2024-08-01
  • 来自专栏小白AI.易名

    3学会Jenkins_9_主题更换

    转载注明出处,欢迎关注微信小程序小白AI博客 微信公众号小白AI或者网站 https://xiaobaiai.net或者我的CSDN https://blog.csdn.net/freeape

    1.4K10发布于 2019-12-23
  • 来自专栏我的小碗汤

    备战CKA每日一题——第9

    /kubernetes.io/docs/concepts/configuration/secret/ secret简介 Kubernetes中的Secret资源可以用来存储密码、Token、秘钥等敏感数据 /city [root@liabio cka]# ll total 12 -rw-r--r-- 1 root root 9 Nov 28 20:44 city -rw-r--r-- 1 root root : "14636360" selfLink: /api/v1/namespaces/default/secrets/test-cka1127-02 uid: 4a3a1a5d-09e6-4bf9- data字段用于存储使用base64编码的任意数据。提供stringData字段是为了方便起见,它允许提供未编码的字符串。 编码注意:secret数据的序列化JSON和YAML值被编码为base64字符串。换行符在这些字符串中无效,因此必须省略。

    75820发布于 2019-12-10
  • 来自专栏NowlNowl_AI

    机器学习第9:决策树分类

    max_depth=2) tree_clf.fit(X, y) max_depth参数设置的是决策树的深度,上图的深度是2,它代表决策的次数 深度探索 优点 我们来看决策树的过程:每到一个节点进行一次询问,然后将数据集分向其他的节点 ,这样的特性决定了数据不需要经过特征缩放的处理 估计概率 决策树模型可以输出每个类的概率 这意味着我们可以使用predict_proba方法,这将输出每个类的概率 model = DecisionTreeClassifier 决策树算法中往往采用基尼不纯度来判定 它的公式为 为第k类的实例数 为总实例数 正则化 为了防止过拟合,我们当然要进行正则化,决策树的正则化通过控制参数max_depth来决定,越大则越可能过拟合 在鸢尾花数据集上训练决策树

    27510编辑于 2024-01-18
  • 来自专栏猫头虎博客专区

    9:小程序的调试与优化

    [猫头虎分享21微信小程序基础入门教程]第9:小程序的调试与优化 第9:小程序的调试与优化 自我介绍 大家好,我是猫头虎,一名全栈软件工程师。 网络请求:监控和调试网络请求,分析请求的状态和返回的数据。 Chrome DevTools 远程调试:通过连接微信开发者工具与 Chrome DevTools,实现远程调试。 性能优化技巧 为了确保小程序的高效运行,我们需要采取一系列优化措施: 减少网络请求次数 数据缓存:利用本地存储缓存数据,减少重复请求。 接口合并:将多个请求合并为一个请求,减少网络开销。 明天我们将继续深入,探讨小程序的安全性与数据保护。

    51100编辑于 2024-05-26
  • 来自专栏杨建荣的学习笔记

    Datapump数据迁移的实践总结 (r9笔记第60)

    虽说实践了不少的数据迁移项目,但是从我的感触来说,一些很细小的差别就会造成整个数据迁移方案的大不同。数据是系统的核心命脉,所以对于DBA来说,保证数据的一致性和准确性是一个最基本的要求。 2)数据迁移中还是建议直接停掉监听,保证没有其它的外来连接,在之前的大型数据迁移中,虽然从口头上制度上会有一些约束,但是不能完全保证其他人能够完全遵守,有时候应用的同事需要提前检查一些数据,可能会想做一些查询 3)如果在数据迁移时条件允许,还是建议直接设置为非归档模式,有缺点也有优点,优点是整体的速度会提高差不多1倍,但是缺点是主备库的架构会需要重建,而且在数据迁移后期,收集统计信息的阶段其实会消耗掉不少的时间 缺点也很明显,效率上会差一些,而且需要额外的空间,同步增量的数据需要较高的带宽。所以这是一把双刃剑。 9)迁移是一件苦活,需要始终保持注意力,细心的对待可能出现的问题环节,对于突发情况还是要冷静,这个当然多说无益,实践出真知。

    57930发布于 2018-03-19
  • 来自专栏sktj

    Kubernetes(9:数据)

    作用是在Pod中共享数据 创建Pod,volumeMounts ? image.png emptyDir是Host上创建的临时目录,其优点是能够方便地为Pod中的容器提供共享存储,不需要额外的配置。

    41520发布于 2019-09-24
  • 100跟着CP学PostgreSQL+AI,第9 : 向量数据库:pgvector 如何存储和检索 AI Embedding

    作为全球领先专网通信公司核心技术专家,深耕数据库高可用、高性能架构设计,创新探索 AI 在数据库领域的应用落地,其技术方案有效提升企业级数据库系统稳定性与智能化水平。 系列文章介绍 第一阶段 : 基础筑基期(第 1-30 :PostgreSQL 与 AI 技术扫盲) 主要内容 主题:向量数据库核心:pgvector 如何存储和检索 AI Embedding 一、为什么 AI 需要 “向量数据库”? 在 AI 时代,图片、文本、语音等非结构化数据占比超 80%。 传统关系型数据库(如 MySQL)擅长处理结构化数据(如用户 ID、年龄),但面对向量这种 “高维、非结构化” 数据时,检索效率会断崖式下跌 —— 要找相似向量,只能暴力遍历所有数据计算相似度,10 万条数据可能要算几秒甚至更久 小提示:实际使用中,记得根据数据量调整 IVFFlat 的nlist和nprobe参数(比如 100 万条数据,nlist=1000,nprobe=20),并定期重建索引(当数据更新频繁时)。

    1.3K10编辑于 2025-08-27
  • 来自专栏小龙学编程

    每天5道Java面试题(第9)

    Java1.8对HashMap做了改进,在链表长度大于8的时候,将后面的数据存在红黑树中,以加快检索速度。后续如果由于删除或者其他原因调整了大小,当红黑树的节点小于或等于 4. 

    19640编辑于 2023-11-12
  • 来自专栏mysql

    hhdb数据库介绍(9-9)

    高可用服务读写分离计算节点支持读写分离功能,并且支持配置读写分离权重读写分离功能说明要使用读写分离功能,需在数据节点中配置主备存储节点。读写分离功能默认设置为关闭。 -- 不开启读写分离:0;可分离的读请求发往所有可用数据源:1;可分离的读请求发往可用备数据源:2;事务中发生写前的读请求发往可用备数据源:3--><property name="weightForSlaveRWSplit strategyForRWSplit参数为1时可设置主备存储节点的读比例,设置备存储节点读比例后<em>数据</em>节点下的所有备存储节点均分该比例的读任务。 strategyForRWSplit参数为2时<em>数据</em>节点上的所有可分离的读任务会自动均分至该<em>数据</em>节点下的所有备存储节点上,若无备存储节点则由主存储节点全部承担。 用户级别的读写分离可通过管理平台创建<em>数据</em>库用户页面添加用户或编辑用户开启用户级别的读写分离。

    23110编辑于 2024-11-29
  • 来自专栏杨建荣的学习笔记

    Datapump数据迁移前的准备工作(r9笔记第31)

    所以不要小看这种迁移 方式,不是说哪些迁移方式就是最好的,数据迁移中也没有银弹,最合适的就是最好的。 假设下面的这种场景,我们有一套全新的硬件环境,数据量也不大,需要升级到11g环境,可以考虑Datapump方案。 同步/etc/hosts信息,修改主机IP 7.同步listener.ora tnsnames.ora信息,host统一为主机名而非IP 8.修改主机名root,oracle密码,改为安全模式的设置 9. 60的设置,部分新特性) 15.目标服务器中的数据库temp,undo的大小设置 16.检查主备库的字符集是否一致 17.检查数据库中的无效对象 18.对演练中的数据问题进行确认, Foreign key 相关的数据问题 19.检查备库是否可以启动到只读状态 20.安装zabbix客户端 21.检查源服务器端是否有足够的磁盘空间

    92530发布于 2018-03-19
  • 来自专栏技术集锦

    练习9数据计算

    题目 写一个简单的函数实现下面的功能:具有三个参数,完成对两个整型数据的加、减、乘、除四种操作,前两个为操作数,第三个参数为字符型的参数。 ; } 说明 注意switch-case语句中case处的数据类型,因为设定了变量c为char类型,所以需要使用 c = input.next().charAt(0) 语句接收用户键盘上的单个字符输入

    30720编辑于 2022-06-03
  • 来自专栏腾讯云数据库(TencentDB)

    倒计时89月17日,锁定腾讯云数据库+AI专场!

    腾讯全球生态大会,9月17日上午,锁定数据库+AI专场,诚邀共探,解锁数据价值新维度!

    16010编辑于 2025-09-11
  • 来自专栏企鹅号快讯

    Java 9的十大新特性

    在介绍 Java 9 之前,我们先来看看 Java 成立到现在的所有版本。 这实际上意味着未来的很长一段时间,你都不能在库中运用 Java 9 所提供的新特性。 这是特别为 Java 9 准备的 class 版本,可以运用 Java 9 所提供的特性和库。 Java 9 的垃圾收集机制 Java 9 移除了在 Java 8 中 被废弃的垃圾回收器配置组合,同时把 G1 设为默认的垃圾回收器实现。 I/O 流新特性 java.io.InputStream 中增加了新的方法来读取和复制 InputStream 中包含的数据

    91450发布于 2018-02-06
  • 来自专栏互扯程序

    Java 9的十大新特性

    在介绍java9之前,我们先来看看java成立到现在的所有版本。 HTTP/2 JDK9之前提供HttpURLConnection API来实现Http访问功能,但是这个类基本很少使用,一般都会选择Apache的Http Client,此次在Java 9的版本中引入了一个新的 这是特别为 Java 9 准备的 class 版本,可以运用 Java 9 所提供的特性和库。 java9的垃圾收集机制 Java 9 移除了在 Java 8 中 被废弃的垃圾回收器配置组合,同时把G1设为默认的垃圾回收器实现。 这意味着切换到G1将会为应用线程带来额外的工作,从而直接影响到应用的性能 I/O 流新特性 java.io.InputStream 中增加了新的方法来读取和复制 InputStream 中包含的数据

    1.2K60发布于 2018-01-31
  • 来自专栏布衣者博客

    LeetCode-算法-广度和深度优先搜索-第9

    m, n = len(matrix), len(matrix[0]) # 初始化动态规划的数组,所有的距离值都设置为一个很大的数 dist = [[10**9]

    48530发布于 2021-09-07
  • 来自专栏杨建荣的学习笔记

    巧用flashback database实现灵活的数据切换(r5笔记第9)

    今天是DTCC第二了,抽空去听了下,因为手头有一些活,听到一半只能赶回公司继续工作。 测试环境已经有一些测试数据,很可能和生产环境中的数据冲突。 就如同图中下面的部分列出的细节一样,很可能会存在数据冲突导致数据加载出现问题。 ? ----------------- -------------------- APPO 2144666.63 这套环境借用的时间为3数据库做闪回操作之后,闪回到了数据清除前的状态,这个时候如果要打开数据库,是需要使用open resetlogs这种方式的,这样的话这个时间点之前的备份就失效了。 我们创建一个表,然后启用flashback database功能,做truncate操作,然后导入一些新的数据,之后再做闪回数据库操作,闪回到truncate之前的数据情况,最后启用数据库即可。

    76750发布于 2018-03-15
领券