精通轻量级Java EE 框架整合方案之公文传输系统案例.pdf 本电子书是从《精通轻量级Java EE 框架整合方案》中节选下来，一共有5章，204页。

Web3j：Web3 Java以太坊ÐappAPI Web3j是一个轻量级，高度模块化，React性，类型安全的Java和Android库，用于处理智能合约并与以太坊网络上的客户端（节点）集成： 这使您可以使用链，而无需为平台编写自己的集成代码而产生的额外开销。 讨论概述链，以太坊和Web3j。 特征 通过HTTP和IPC完整实现以太坊的客户端API 以太坊钱包支持 自动生成Java智能合约包装器，以从本地Java代码创建，部署，交易和调用智能合约（支持和定义格式） 响应式API，可用于过滤器 支持 支持Parity的和Geth的客户端API 支持 ，因此您不必自己运行以太坊客户端 全面的集成测试，证明了上述多种情况 命令行工具 兼容Android 通过支持JP Morgan的Quorum 支持并在实现的。 它具有五个运行时依赖项： 的React功能API 用于HTTP连接 用于快速JSON序列化/反序列化 （Android上的 ）用于加密 * nix IPC的 （不适用于Android） 它还使用生成智能合约包装器。 快速开始 开始使用Web3j的最简单方法

这是真正的第三版轻量级Java EE企业应用实战--Struts2+Spring+Hibernate整合开发（光盘源代码），全书所有代码，完整的。代码直接可以运行，本人都测试过的。下载这一个资源就行，全都有了。

uncode-mq：轻量级java消息中间件

scala_lwjgl3 轻量级Java图形库3连接scala的测试 仅供参考：不要忘记： 下载lwjgl并放入/lib目录 将 LD_LIBRARY_PATH（或 DYLD_LIBRARY_PATH）设置为本地库 在 mac 上：将 -XstartOnFirstThread 添加到 JVM

JSL是Java Service Wrapper，是一个小型可执行文件，用于将32位和64位JAVA程序作为Windows Service启动。 JSL被发布为随时可用的可执行文件。 配置和部署非常简单，仅包含一个小型可执行文件和一个配置文件。 提供的功能包括服务的安装和删除，服务的自动重启，服务依赖项，单个配置文件，自动检测已安装的JVM，版本选择等等。

背景 当前互联网企业存在很多业务风险，有些风险（比如薅羊毛）虽然没有sql注入漏洞利用来的直接，但是一直被羊毛党、刷单党光顾的企业长期生存下来的几率会很低！ 账号：垃圾注册、撞库、盗号等 交易：盗刷、恶意占用资源、篡改交易金额等 活动：薅羊毛 短信：短信轰炸 项目介绍 实时业务风控系统是分析风险事件，根据场景动态调整规则，实现自动精准预警风险的系统。 本项目只提供实时风控系统框架基础和代码模板。 需要解决的问题 哪些是风险事件，注册、登录、交易、活动等事件，需要业务埋点配合提供实时数据接入 什么样的事件是有风险的，风险分析需要用到统计学，对异常用户的历史数据做统计分析，找出异于正常用户的特征 实时性，风险事件的分析必须毫秒级响应，有些场景下需要尽快拦截，能够给用户止损挽回损失 低误报，这需要人工风控经验，对各种场景风险阈值和评分的设置，需要长期不断的调整，所以灵活的规则引擎是很重要的 支持对历史数据的回溯，能够发现以前的风险，或许能够找到一些特征供参考 项目关键字 轻量级，可扩展，实时的Java业务风控系统 基于Spring boot构建，配置文件能少则少 使用drools规则引擎管理风控规则，原则上可以动态配置规则 使用redis、mongodb做风控计算和事件储存，历史事件支持水平扩展 原理 统计学 次数统计，比如1分钟内某账号的登录次数，可以用来分析盗号等 频数统计，比如1小时内某ip上出现的账号，可以用来分析黄牛党等 最大统计，比如用户交易金额比历史交易都大，可能有风险 最近统计，比如最近一次交易才过数秒，可能机器下单 行为习惯，比如用户常用登录地址，用户经常登录时间段，可以用来分析盗号等 抽象：某时间段，在条件维度（可以是多个维度复合）下，利用统计方法统计结果维度的值。充分发挥你的想象吧！ 实时计算 要将任意维度的历史数据（可能半年或更久）实时统计出结果，需要将数据提前安装特殊结果准备好（由于事件的维度数量不固定的，选取统计的维度也是随意的，所以不是在关系数据库中建几个索引就能搞定的），需要利用空间换时间，来降低时间复杂度。 redis redis中数据结构sortedset，是个有序的集合，集合中只会出现最新的唯一的值。利用sortedset的天然优势，做频数统计非常有利。 比如1小时内某ip上出现的账号数量统计： 保存维度 ZADD key score member（时间复杂度:O(M*log(N))， N 是有序集的基数， M 为成功添加的新成员的数量），key=ip，score=时间（比如20160807121314），member=账号。存储时略耗性能。 结构如下： 1.1.1.1 |--账号1 20160807121314 |--账号2 20160807121315 |--账号n 20160807121316 2.2.2.2 |--账号3 20160807121314 |--账号4 20160807121315 |--账号m 20160807121316 计算频数 ZCOUNT key min max（时间复杂度:O(1)），key=ip，min=起始时间，max=截止时间。计算的性能消耗极少，优势明显 redis lua 把保存维度，计算频数，过期维度数据等操作，使用lua脚本结合在一起，可以减少网络IO，提高性能 mongodb mongodb本身的聚合函数统计维度，支持很多比如：max，min，sum，avg，first，last，标准差，采样标准差，复杂的统计方法可以在基础聚合函数上建立，比如行为习惯： getDB().getCollection(collectionName).aggregate( Arrays.asList( match(match) --匹配条件维度 , group("$" + field, Accumulators.sum("_count", 1)) --求值维度的次数 , match(new Document("_count", new Document("$gte", minCount))) --过滤，超过minCount才统计 , sort(new Document("_count", -1)) --对次数进行倒叙排列 ) ); 建议在mongodb聚合的维度上建立索引，这样可以使用内存计算，速度较快。 redis性能优于mo

本光盘是《轻量级Java EE企业应用实战（第5版）》一书的配书光盘，书中的代码按章、按节存放。文件里的txt文件里存储的是该光盘的百度云链接。

本光盘是《轻量级Java EE企业应用实战（第4版）》一书的配书光盘，书中的代码按章、按节存放，即第2章、第2节所使用的代码放在codes文件夹的02\2.2文件夹下，依此类推。