在这里不讨论区块链支付有没有未来、加密币是不是庞氏骗局、是不是割韭菜这样形而上的问题，只从技术角度探讨区块链支付相对与传统第三方支付的一些差异。

按照以上对比，似乎区块链支付从各方面都碾压传统第三方支付平台。

其实不然，相对于成熟的基于法币支付体系的第三方支付，区块链支付在实际应用中还存在诸多致命性问题，例如：

1、法币-加密币出金、入金难题

区块链支付只是解决了区块链及加密币体系内的支付问题，但没有解决“用户持有的加密币从什么地方来？用户持有的加密币怎样变现为法币？”。

可以说：没有通畅的法币-加密币的出金、入金解决方案，极大程度制约了区块链及加密币的发展。

受制于各国政府KYC、AML合规性要求，目前市场上的OTC在用户体验、市场流动性、交易速度、交易成本等方面都存在较大问题。

2、币价波动导致的资金安全风险

现实消费场景大部分商家只愿意接受法币结算，因此目前大部分应用场景下，都由支付服务商帮助商家收取加密币，然后以法币形式结算给商户。虽然可以通过币币交易、OTC交易等方式将收取的加密币通过量化交易算法转为稳定币或法币，但市场流动性、币价波动性、交易成本等因素导致支付服务商仍存在较大资金安全风险。

3、持有加密币、加密币钱包的受众人群及范围还是太少太少，还局限在小众圈子里，尤其是2017、2018火热的ICO割了一大堆韭菜后。

4、实际落地应用场景极少

这些致命问题什么时候能够解决，有什么好的解决办法呢？业内也在探索中。

一点体会：

最近一段时间，由于行业监管趋严，市场上出现了诸多新玩法，核心思路与区块链“去中心化”的核心理念不谋而合，还有一些创新玩法也尝试借鉴“去信任化”的思路，利用智能合约解决保证金缴纳去中心化担保问题。市场刚性需求倒逼金融服务“创新”，在此大变革进程中，丢掉各种噱头，回归到区块链最核心的理念和价值，与互联网成熟的应用场景结合，或许是寒冬中区块链项目最好的出路。

Ethereum中涉及各种类型的方法调用。一个编程中常用的call概念，可能为Ethereum Vitrual Machine（EVM）内的call，又可能为EVM外的call，又涉及诸如Message/Transaction等基本概念；同时还包括call/delegatecall/callcode/send/transfer/sendTransaction等等方法。

对这些调用机制及基本概念的说明散落在 solidity文档 、黄皮书、白皮书 中，初学者容易搞晕。这里对这些基本概念、调用机制及用法做一下整体梳理。

PDF版本：Ethereum调用机制总结

PNG版本：Ethereum调用机制总结

示例代码：测试代码下载

pragma solidity ^ 0.4.18;

contract A {
uint public var2;
uint public var1;
B b1;
address addrB;

function A() public {
b1 = new B();
addrB=address(b1);
}

function callSet(address addr, uint param) public returns(uint) {
//addr.call(bytes4(keccak256(“set(uint)”)), param); //使用了uint，调用不生效。应当使用uint256; uint是uint256的昵称，但在ABI调用时候，只能使用长类型。

//使用address.call
addr.call(bytes4(keccak256(“set(uint256)”)), param); //call 使用的是被调用者的存储，因此改变的是B.var1值

//使用实例方式，可以直接采用callee.method形式调用，从而直接获取函数返回值
/*
B b2 = B(addr);
uint result = b2.set(param);
return result;
*/

//使用 new B()方式方式调用
// uint  b1=b1.set(param);
// addrB.call(bytes4(keccak256(“set(uint256)”)), param);

return 1;
}

function delegatecallSet(address addr, uint param) {
//addr.delegatecall(bytes4(keccak256(“set(uint)”)), param); //使用了uint，调用不生效。应当使用uint256; uint是uint256的昵称，但在ABI调用时候，只能使用长类型。
addr.delegatecall(bytes4(keccak256(“set(uint256)”)), param); //delegatecall和callcode都是使用调用者的存储，特别要注意调用者和被调用者合约变量定义顺序，目前改变的是A.var2的值。
B b2 = B(addr);  //使用实例方式，可以直接采用callee.method形式调用，从而直接获取函数返回值
uint result = b2.set(param);
// uint  b1=b1.set(param);
// addrB.call(bytes4(keccak256(“set(uint256)”)), param);
}

function callcodeSet(address addr, uint param) {
addr.callcode(bytes4(keccak256(“set(uint256)”)), param);
}

function getVar1() public view returns(uint) {
return var1;
}

function getVar2() public view returns(uint) {
return var2;
}

function getAddr() public view returns(address) {
return addrB;
}
}

contract B {
uint public var1;
event MyEvent(uint param, uint result);

function set(uint param) public returns(uint) {
var1 = param;
MyEvent(param, 1);
return param;
}
}

为加深对各种常用统计分布的理解，更好掌握R语言对应的各类分布的概率函数（d、p、q、r族）以及广义线性模型的使用，研究了一下常用统计分布数据的模拟生成方法，收获颇多。

各类常用统计分布蒙特卡洛模拟数据生成的大致思路：

1、构造自变量x的均匀分布
2、根据对应分布的均值函数，构造x变量对应的均值。（广义线性模型的link 函数参考https://en.wikipedia.org/wiki/Generalized_linear_model#Link_function）
3、将均值代入，R中对应分布的随机变量生成函数，得到因变量y（例如正态分布为rnorm、泊松分布为rpois）

代码：

#norm distribution simulation
set.seed(1234)
num=100
beta0=1
beta1=0.2
x=beta0+beta1*runif(n=num,-1,1)
y=rnorm(num,mean=x,sd=1)
model=glm(y~x,,family=gaussian(link=’identity’))

#possion distribution simulation
set.seed(1234)
num=100
beta0=1
beta1=0.2
x=beta0 + beta1*runif(n=num, min=0, max=5)
lambda=exp(x)
y=rpois(n=num, lambda=lambda)
model = glm(y~x, family=poisson(link = log))

#Exponential/Gamma distribution simulation
set.seed(1234)
num=100
beta0=1
beta1=0.2
x=beta0 + beta1*runif(n=num, min=0, max=5)
y=rexp(num,rate=exp(-x))
model=glm(y~x,,family=Gamma(link=’log’))
#使用nls模拟
df=data.frame(x,y)
model=nls(y~exp(a+b*x),data=df,start = list(a=0,b=0))

#logistic/probit distribution simulation
set.seed(1234)
num=100
beta0=1
beta1=0.2
x=beta0 + beta1*runif(n=num, min=0, max=5)
#logistic distribution logit=log(odds)=log(p/(1-p))
odds=exp(x)
probs=odds/(1+odds)
#probit distribution probit=Cumulative normal pdf
#probs=pnorm(x)

y=rbinom(n=num,size=1,prob=probs)
model=glm(y~x1+x2,family = binomial(link=”logit”))

#bionimal/Categorical/Multinomial distribution simulation
library(nnet)
y=rbinom(n=num,size=3,prob=probs)
model <- multinom(y ~ x1 + x2)

代码下载

参考资料：《 Monte Carlo Simulation and Resampling Methods for Social Science》

https://www.sagepub.com/sites/default/files/upm-binaries/57233_Chapter_6.pdf

R文档对fitted()、predict()函数以及predict函数type参数取值的具体含义说得很不清楚，网上也没有清晰的解释。总结一下。

一、说明

目的一、R中fitted和predict的关系
目的二、以logistic为例，解析predict中type参数不同取值的关系

1、R中fitted和predict的关系
fitted对无link函数模型（例如线性回归），fitted值和predict的值相同
对有link函数的模型（例如logistic、Binomial），
fitted是link函数作用前（或者link逆函数inverse of the link function作用后）的预测值
predict是link函数作用后（或link逆函数inverse of the link function作用前）的预测值
link function  https://en.wikipedia.org/wiki/Generalized_linear_modelLink_function

2、logistic中predict中type参数不同取值的关系
predict中type参数的可选项有：default, type="link",type="response",type="terms"

假设log(odds)=log(p/(1-p))=alpha+beta1*x1+beta2*x2+…+betan*xn
a.、type="link",type为缺省值
  type="link"为缺省值,给出logit线性函数预测值，link=alpha+beta1*x1+beta2*x2+…+betan*xn

b、 type="response"
  type="response" 给出概率预测值。
  response=predict(model,type = "response")，则
  log(response/(1-response))=alpha+beta1*x1+beta2*x2+…+betan*xn=link，或：link=exp(response)/(1+response)

c、type="terms"
  type="terms"表示各个变量的预测值（包括前面参数在模型中的值）。
  terms=predict(model, newdata = traindata,type = "terms")的结果为各个变量term的值
  term1=beta1*x1,term2=beta2*x2, …
  sum(term1,…,termn)+attr(terms,"constant")=log(odds)=log(response/(1-response))
  attr(terms,"constant")的含义 http://blog.minitab.com/blog/adventures-in-statistics-2/regression-analysis-how-to-interpret-the-constant-y-intercept

二、代码

代码下载

#fitted和predict的关系演示
#linear regression
#no link function
num=100
x1=rnorm(num)
x2=rnorm(num)
lr=1+2*x1+3*x2
model=lm(y~x+x2)

fit=fitted(model)
pred=predict(model)
print(all.equal(fit, pred))
#对无link函数的模型，fitted值与predict值相同

#possion
#link=log
num=100
x=rnorm(num)
y=rpois(num,lambda = exp(x))
model = glm(y~x, family="poisson")
fit=fitted(model)
pred=predict(model)
print(all.equal(log(fit),pred))
print(all.equal(fit,exp(pred)))
#对有link函数的模型，fitted值为link函数作用前的值，predict为link作用后的值

#logistic
#link=logit=log(p/(1-p))
num=100
x1=rnorm(num)
x2=rnorm(num)
lo=1+2*x1+3*x2
odds=exp(lo)
probs=odds/(1+odds)
y=rbinom(n=num,size=1,prob=probs)
model=glm(y~x1+x2,family = binomial(link="logit"))

fit=fitted(model)
pred=predict(model)
print(all.equal(log(fit/(1-fit)),pred))
print(all.equal(fit,exp(pred)/(1+exp(pred))))
#对有link函数的模型，fitted值为link函数作用前的值，predict为link作用后的值

#以logistic模型为例子，验证predict中type为缺省值，type="link",type="response",type="terms"关系
#predict中type="link"时的fitted及predict
link=predict(model,type="link")
print(link)
print(all.equal(pred,link))
#type=link为缺省值

#predict中type="response"时的fitted及predict
response=predict(model,type="response")
print(response)
print(all.equal(fit,response))
print(all.equal(pred,log(response/(1-response))))

#type="terms"时的fitted及predict
terms<- predict(model,type="terms")
term=terms[,1]+terms[,2]+attr(terms,"constant")
print(term)
print(all.equal(link,term))
print(all.equal(response,exp(term)/(1+exp(term))))

参考资料：

https://stackoverflow.com/questions/12201439/is-there-a-difference-between-the-r-functions-fitted-and-predict

我在知乎关于提问“资产端线上对接资金端系统？” https://www.zhihu.com/question/67426957/answer/277256804  的回答。

虽然最近现金贷整顿，但此问题涉及的内容的应用场景挺多的，简单说一下思路。

资产端平台接入资金端平台时候，需要重点考虑两大部分的内容：

1、交易结构设计

由于合作双方监管合规性问题，交易结构设计主要解决资金端资金怎样以合规、安全的形式流转到资产端。这里的合规性，不单纯只是资产端或资金端，双方都涉及合规性。

在交易结构设计时候，涉及很多因素，例如：

a、资产端的资质，例如是P2P平台、互联网小贷平台、消费金融公司、助贷机构等的资金合规来源渠道并不同。

b、资金端的资质，例如是金融机构（银行、保险公司、融资性担保公司等）、P2P、互联网小贷、消费金融公司、企业、股东等的资金。

c、资产方的资产质量

d、实际放款方，资产最终归属。涉及放款资质，是否需要债权转让、ABS等

e、担保方式

f、资金放款、还款流转流程，支付/代扣渠道

g、资产端的保证金、杠杆、资金成本等

交易结构设计是整个合作最核心的内容，也是最难的地方，需要双方一起就双方实际情况探讨合规的合作模式。

交易结构设计影响了资产端、资金端合作模式、金融产品设计、平台对接的业务流等内容。

2、平台化设计

低成本、稳定、多元化的资金来源是资产端平台的核心竞争力，因此一般情况下，资产端都会尽量接入更多的资金端平台，以保证资金的持续供给。因此从平台建设角度来说，需要在设计时候考虑平台的扩展性、可运营性等因素，以满足多个资金端接入的需求。

在合作之初以验证合作模式为主，因此平台功能平台功能没必要设计得过于复杂。但随着业务规模扩大，低成本的运营能力成为平台的核心能力之一，可以说每一个资产端的资金对接平台最终都会演变成资产端、资金端的撮合路由平台。

一张图供参考

在消费金融中，风险模型组（申请评分卡、行为评分卡、催收评分卡、失联概率、违约概率PD模型等）、营销模型组（客户分层模型、客户响应模型、客户流失模型）、反欺诈模型组等都涉及了信用评分卡模型的应用。关于信用评分卡模型的使用及代码实现，网上公开的完整资料较少，且大都写得语焉不详。基于R语言做了一个完整例子，算是对最近一段时间工作总结。

分为两部分：

1、评分卡模型使用总结脑图

2、评分卡模型R语言代码

1、评分卡模型使用总结脑图（完整脑图点击下载）

《评分卡模型使用总结脑图》下载

2、R语言代码

scorecard.r

由于libreoffice的soffice不支持多进程，只允许同时有一个进程来转换docx文件为pdf文件，因此无法多线程并发执行转换操作。

为实现并发转换操作，有两种方案：

方案一：将转换代码部署到不同的服务器上，此种方案需要单独服务器，对资源要求较高，部署也麻烦；

方案二：利用docker对资源的隔离特性，把libreoffice 放到docker中，然后启用多个libreoffice容器，java代码调用不同容器的soffice命令来并发转换docx文件。

1、安装docker相关程序

CentOS7已经缺省支持docker

yum install docker

service docker start

chkconfig docker on

简单的安装使用可以参考 https://linux.cn/article-4340-1.html

2、把缺省的docker镜像仓库换成国内的网易镜像

echo "DOCKER_OPTS=\"\$DOCKER_OPTS –registry-mirror=http://hub-mirror.c.163.com\"" >> /etc/default/docker

service docker restart

3、下载centos docker镜像

docker pull centos

4、启动centos的docker镜像

docker run -it centos /bin/bash

5、进入docker容器

docker run -it centos -v /root/install:/root/install  /bin/bash

由于生产镜像时候，可能需要与宿主主机共享一些文件，例如中文ttf文件，因此在run 时候使用了-v参数，用于宿主主机与docker container之间的共享目录。

假设docker 容器与宿主机的共享目录为/root/install 。

Docker容器和主机之间共享数据，可以参考 https://www.howtoing.com/how-to-share-data-between-the-docker-container-and-the-host/

6、安装libreoffice、中文字体库等所需的软件

yum install libreoffice-writer.x86_64

yum groupinstall "Fonts"

yum groupinstall "Input Methods"

7、生成安装了libreoffice、中文字体等软件的docker 镜像

docker commit CONTAINER_ID liang/libreoffice1

其中：

CONTAINER_ID是docker ps -a得到了容器id docker ps -a|grep "centos"|awk ‘{print $1}’

liang/libreoffice1 是我们生成的docker镜像

8、停掉刚才启动的centos容器

docker stop CONTAINER_ID

9、启动我们新生成的docker 镜像

根据并发转换docx为pdf文件的需要，基于我们自己生成的docker镜像，启动多个docker的容器，利用docker容器对资源的隔离，调用不同容器中的soffice来并发处理不同的pdf文件

docker run –name office1 -it -d -v /root/pdf1:/root/pdf1  liang/libreoffice1

docker run –name office2 -it -d -v /root/pdf1:/root/pdf1  liang/libreoffice1

镜像文件与宿主机的共享目录为/root/pdf1和/root/pdf2，在共享目录中放入要转换的docx文件

docker exec -it office1 /bin/bash

10、调用soffice命令行，将docx转为pdf

docker exec -it office1 /bin/soffice –headless  –invisible –norestore –nodefault –nolockcheck  –nofirststartwizard –convert-to pdf:writer_pdf_Export –outdir /root/pdf1 /root/pdf1/liang1.docx

docker exec -it office2 /bin/soffice –headless  –invisible –norestore –nodefault –nolockcheck  –nofirststartwizard –convert-to pdf:writer_pdf_Export –outdir /root/pdf2 /root/pdf2/liang2.docx

以上命令行放到java代码中，同时可以在多个线程中并发调用。

背景：

1、生产服务器采用了dnspod-sr作为内网DNS服务器，以方便应用的部署。

2、所有服务器都采用CentOS，IP采用IPv4，未禁用IPv6，但操作系统路由、路由器及防火墙皆未启用IPv6地址。

虽然以前也遇到过因为IPv6导致类似curl、wget之类的系统命令执行太慢的问题，但一直未对IPv6引起足够的重视。

最近接连出现了一堆与IPv6相关的问题。

1、先是APP上APP Store审核，被苹果因为IPv6的问题接连打回来几次。最终直接把服务器的IPv6禁用了事。

2、有一台Redis服务器作为缓存服务器，其他Spring Boot应用通过内部DNS连接Redia。比较诡异的是，每一次重启Spring Boot应用，初始化Redis连接池时候，至少需要15秒。

最终查明了是DNS解析惹的祸，直接采用IP连接就不存在问题。原因是应用通过内部域名连接Redis时，做域名解析时候，发送了两条AAAA（IPv6）、A（IPv4）域名解析请求，其中AAAA > A记录请求 。

而且CentOS下即便禁用了IPv6，采用TCPDUMP抓包发现似乎仍然也会发送AAAA域名解析请求，导致先AAAA请求超时后，再处理IPv4。

网上大部分资料都建议直接禁用掉IPv6，只不IPv6是趋势，IPv6 Ready还是有必要的，尤其是外部一些IPv6环境的访问服务器时候，服务器端获取IPv6相关信息还是挺有价值的。

有没有在不禁用IPv6的情况下，让操作系统优先使用IPv4而非IPv6呢？

按照RFC3484 的说法，在IPv6、IPv4共存的环境下，解析顺序为
1. IPv6
2. IPv4
3. 6to4-Traffic

如果能够采用 Prefer IPv4 over IPv6，则可以实现IPv4 和IPv6并存。

办法一：修改/etc/gai.conf

/etc/gai.conf是socket getaddrinfo(3)函数的配置文件，因此修改此配置文件，可以影响各种socket程序对IPv4、IPv6地址的处理顺序。

配置样例：

label       ::1/128        0
label       ::/0           1
label       2002::/16      2
label       ::/96          3
label       ::ffff:0:0/96  4
precedence  ::1/128        50
precedence  ::/0           40
precedence  2002::/16      30
precedence  ::/96          20
precedence  ::ffff:0:0/96  100

配置文件说明可以参考Linux MAN

http://man7.org/linux/man-pages/man5/gai.conf.5.html

http://man7.org/linux/man-pages/man3/getaddrinfo.3.html

方案2、在Java应用中，指定-Djava.net.preferIPv4Stack=true

可以参考官方文档 Networking Properties