农业银行信用卡查询(农业银行信用卡查询余额)

　　1MainFrame大型机行业应用介绍

　　大型机（mainframe）这个词，最初是指装在非常大的带框铁盒子里的大型计算机系统，以用来同小一些的迷你机和微型机有所区别。虽然这个词已经通过不同方式被使用了很多年，大多数时候它却是指system/360 开始的一系列的IBM计算机。这个词也可以用来指由其他厂商，如Amdahl, Hitachi Data Systems （HDS） 制造的兼容的系统。

　　近年来，随着国内银行、保险、证券和海关等企事业的处理信息需求量猛增，对处理速度的要求越来越高，要求响应时间越来越短，在这种情况下这些行业逐渐提出了对大型机的需求。

　　现在，不单在银行业，IBM 大型主机已经在国内各主要领域例如金融、制造、交通等行业得到广泛应用，帮助中国各行各业的信息化进程跃入了一个新的阶段。例如：国内五大银行：中国银行、农业银行、工商银行、建设银行、交通银行，目前的核心系统都建立在IBM大型机的平台上。国外的银行包括花旗、汇丰、渣打等也有建立在大型机上的系统。在航空交通领域，国内的中航信采用大型机运行航空售票交易系统。此外还有许多企业也需要IBM大型机技术人才进行应用程序的开发，例如IBM, first data等。

　　2传统MainFrame大机在技术上遇到的问题和性能瓶颈

　　遇到的问题：

在业务操作层面，操作风险高、手工作业量大、业务流程繁琐、系统间业务分离

在 IT 架构方面，处理速度慢，响应周期长；为保证催收效率，需多系统配合；集中式架构缺乏横向扩展能力、特别是关系型数据库难于扩展；

在数据融合方面，不支持非结构化数据的处理、更多业务数据没有引入（如签证和净化器数据）、多系统之间数据不同步，存在差异。

　　性能瓶颈：

如何在这些应用中保护有价值的业务数据？

如何在开放系统具有高可扩展性、高可靠性、业务交易完整性等其他属性？

如何确保迁移后的应有仍旧满足严格的性能需求？

如何获得可预测性价比高、项目风险低的结果？

　　3传统大数据解决方案与潜在不足

　　由于传统Hadoop大数据平台体系架构用于日志信息等非结构化数据并行分析处理，并不是为了解决关系型数据日常增删改查(CRUD)的问题，所以在单条数据查询上性能稍慢。

　　另外，来自银行前端应用，如内部业务系统、网点客户查询、监管查询、网银查询等，存在并发量大、访问频繁的特点。由于Hadoop平台也不足以支撑来自前端应用的高并发访问，因此需要引入能够应付大机高并发查询的关键组件。

方案一：

　　HDFS+MapReduce：方案直接被否，无应用级容灾架构

方案二：

　　HDFS+HBase+Hive：HBase 结构稀疏、Hive 对SQL标准支持不完全、Hive API 散乱，二次开发有难度，无应用级容灾架构

方案三：

　　HDFS+Spark：Spark 对SQL标准支持较好、但不能支撑高并发访问，无应用级容灾架构

　　4信用卡中心大数据平台与银行其他系统对接

　　基本上国内所有银行的信用卡中心都是银行的核心IT系统之一，它对接的应用系统众多，系统间结构异常复杂，尤其是Call流程有100多个，改造起来工作量蛮大。

　　以信用卡中心催收大数据平台为例，大数据平台需要对接的外围系统有CSM系统、催收系统、营帐系统、网银系统、监管系统、柜台系统等。

　　信用卡V+核心系统统一采集管理外围数据（包括人行征信记录、第三方评估数据、申请信息、账户数据、额度数据、交易数据、卡片数据、客户数据等），经过初步加工处理，形成基础数据。

　　这些基础数据都存储在大机的 Oracle数据库中。

　　5大数据平台最终方案：GemFire+HBase

　　大数据平台采用GmFire+HBase作为大数据平台的两个核心组件，GemFire 使用高速分布式缓存支撑前端并发访问，使用SQL接口与前端查询系统的应用逻辑进行对接，起到平滑迁移应用到大数据平台的目的；HBase 主要用于保存全量的历史数据文件。（文章最后会对GemFire分布式数据处理平台做一个简要介绍）

　　CWS系统从 Oracle 数据定时推送增量数据到GemFire 集群中，数据进入 GemFire 集群后会和 HBase 的数据进行数据完整性校验和数据格式统一处理。这里面得益于 GemFire 和 HBase早已经做了集成，GemFire CacheServer可以很轻松地从 HBase Region中读写数据放入到自己的Region中。

　　应用查询策略：

全时间段查询

同步查询

异步查询

多条件组合查询

多查询接口报文封装

　　将大型机的数据全量导入到 HBase 中采取生成 HFile 的方式。将 HFile 挂载到 HBase 数据库上，当GemFire 需要从 HBase 中取数据时，与 HBase 交互，将数据加载到 Cache 中。

　　6大数据平台容灾设计

　　由于银行对核心应用系统的安全等保和业务连续性要求，强制要求异地双活的应用系统架构，因此利用 GemFire 的网关服务器进行异地双活容灾。

　　当某个数据中心出现故障后，GF 应用服务可自动切换到灾备数据中心继续访问应用。

　　7GemFire分布式数据处理平台介绍

　　GemFire 是Pivotal 旗下的一款分布式数据处理平台产品，现在已经开源为 Apache Geode 工程，网址为 http://github.com/apache/incubator-geode。

　　社群的朋友可能对GemFire不太了解，我先介绍一下GemFire的整体情况。

　　GemFire的自身功能比较多，首先它是一个基于 JVM 的 NoSQL分布式数据处理平台，同时集中间件、缓存、消息队列、事件处理引擎、NoSQL数据库于一身的分布式内存数据处理平台。

　　GemFire具有如下的功能特性：

双节点同步数据

多节点分区数据

数据同步写和异步写

具备分布式事务

具备分布式锁

持久化数据到磁盘

具有数据分页、超时和清除机制

数据重平衡

数据感知路由

跨广域网同步数据网关

与 Hadoop、Memcache、Redis 有比较好的集成

　　GemFire分布式内存数据处理平台使用网格化的缓存集群，构成了统一的、应用缓存系统。所有数据都放入到内存当中，所有的缓存操作都被抽象化为对缓存集群的单点引用，换句话说，你的应用能够与缓存集群中的单个逻辑单元交互，而不用考虑集群中到底有多少缓存集群。

　　GemFire物理架构主要的组成模块是缓存服务器，位置服务器，缓存客户端组成。

缓存服务器：在分布式系统中，每一个缓存服务器作为一个集群节点，运行一个缓存服务。每一个缓存服务器只安装有一个缓存实例，但每一台物理机上可启动多台缓存服务器。在集群环境中，分配在相同组的每个缓存服务器都有共同的组ID号，此组ID号在授权文件中，标识了缓存服务器的组ID，启动时加载。

位置服务器：缓存集群是多个缓存服务器实例的群集，他们共同组成矩阵结构来存储和分布数据。数据存储在内存中大大减小了数据访问的回应时间。通常情况下，集群中都使用位置服务器来管理缓存服务器和缓存客户端。位置服务器分为两种模式: Peer-To-Peer, Client-Server。如果你在集群中添加了位置服务器，那么位置服务器将协调缓存服务器之间，缓存服务器与客户端之间的成员关系。位置服务器的主要作用如下：

在任何时刻维护集群中的成员关系。

监控缓存集群中所有节点的可用性

帮助缓存节点(包括客户端和服务器)加入缓存集群环境中。

缓存客户端：任何使用缓存客户端API来访问缓存服务器的应用我们都把它成为缓存客户端，一般，对于一个嵌入了缓存客户端功能的应用程序，它有两种方式来使用缓存客户端，通过编程配置设置或者使用XML文件编辑。客户端应用从ClientCacheFactory 类中创建ClientCache对象来与缓存服务器交互。

　　总结：大数据平台单侧数据中心使用节点数为GemFire 20+， NameNode 2个, DataNode 7个。

　　催收系统经过大机负载下移改造后的系统分散运行压力控制，CPU运行率控制在稳定低损耗状态；承载了来自前端应用的10000次/秒的并发访问；跑批速度提升50%为业务扩展功能提供时间；系统监控实时可控。

　　COBOL服务测试结果：

主机测试@23000 AMBS records：请求平均响应时间 78ms

大数据测试@1160000 GF records：请求平均响应时间4ms

　　在技术创新方面，带来系统应用级容灾，提供了高可用性，大数据平台分布式架构，带来易扩展、高性能、低硬件成本，采用双中心、 双集群、纯双活架构，多数据副本均衡分布，系统应用级容灾，带来了应用级的高可用性。

　　在业务创新方面，大数据实时在线快速查询，提高效率；PDF加水印防篡改，加强风险防控；多种查询方式，提升服务水平；长时间跨度查询，减少柜员工作量；整合数据，提高数据质量，统一客户体验；提供查询日志，查询留痕迹，控制风险。

　　作者介绍 杨旭钧

Geode 开源社区发起人，负责在国内推广Apache Geode，对国内Gemfire 用户提供技术咨询、培训及应用改造等工作。

多年银行、保险行业的金融系统的规划、设计和开发经验，参与过多个国内外银行、互联网电商与移动支付领域项目。

曾就职与VMware、 Accenture、慧聪等多家公司，服务客户包括花旗银行、中国外汇交易中心、中国人民银行、国家电网等。

　　近期活动：

　　DAMS第二届中国数据资产管理峰会

　　大数据与数据资产管理领域的标杆性峰会：第二届中国数据资产管理峰会（DAMS 2016, Data Asset Management Summit）即将于7月8日在上海盛大举办！峰会指导单位：上海市经济和信息化委员会、杨浦区人民政府，上海市云计算产业促进中心主办，DBA+社群、首席技术官联盟、首席数据官联盟协办，DAMS组委会和新炬网络联合承办，数十家媒体单位共同支持。官网链接：http://www.dams.org.cn/

标签： 农业银行信用卡查询