招商银行成都温江区2026届校招金融科技岗实时计算Flink应用题

招商银行成都温江区2026届校招金融科技岗实时计算（Flink）应用题第一题（3分）题目：招商银行成都温江区分行计划利用Flink实时计算平台，对客户交易数据进行实时风险监控。假设某笔交易数据包含字段：`transaction_id`（交易ID）、`user_id`（用户ID）、`amount`（交易金额）、`timestamp`（交易时间戳）、`transaction_type`（交易类型，如“转账”、“消费”等）。请设计一个FlinkSQL语句，用于实时统计每分钟内“转账”交易类型的总金额，并按用户ID分组输出结果。要求：1.结果需包含`user_id`、`timestamp`（分钟级别，格式为`YYYY-MM-DDHH:mm`）、`total_amount`（总金额）三列。2.`timestamp`需使用Flink的内置函数进行分钟级聚合。第二题（4分）题目：某金融机构在成都温江区部署了Flink实时计算集群，需对用户登录行为进行实时分析。假设输入数据包含字段：`user_id`（用户ID）、`action_type`（行为类型，如“登录”、“查询”等）、`timestamp`（行为时间戳）。现需统计每分钟内活跃用户数（即不同`user_id`的数量），并按行为类型分类输出。要求：1.结果需包含`action_type`、`timestamp`（分钟级别）、`active_user_count`（活跃用户数）三列。2.使用Flink的窗口函数实现分钟级聚合，并按`action_type`分组。第三题（5分）题目：招商银行成都温江区某业务场景需实时监控ATM机交易异常情况。假设输入数据包含字段：`atm_id`（ATM机编号）、`transaction_id`（交易ID）、`timestamp`（交易时间戳，精确到秒）、`status`（交易状态，如“成功”、“失败”等）。现需检测是否存在连续3秒内同一ATM机发生2次以上“失败”交易的情况，并输出违规记录。要求：1.结果需包含`atm_id`、`transaction_id`（任意一个失败交易的ID）、`timestamp`（最早失败时间）、`status`（失败状态）四列。2.使用Flink的流处理逻辑实现连续时间窗口的检测。第四题（6分）题目：招商银行成都温江区信用卡中心需实时计算用户的“异常交易”风险评分。假设输入数据包含字段：`user_id`（用户ID）、`transaction_id`（交易ID）、`amount`（交易金额）、`timestamp`（交易时间戳）、`location`（交易地点）。现需根据以下规则计算实时风险评分：1.若用户在1分钟内同一地点发生3笔以上交易，且总金额超过5000元，则判定为高风险。2.若用户在5分钟内不同地点发生交易，且金额大于1000元，则判定为中等风险。要求：1.结果需包含`user_id`、`risk_level`（风险等级，如“高”、“中”、“低”）两列。2.使用Flink的窗口函数和聚合逻辑实现风险评分。第五题（5分）题目：招商银行成都温江区某场景需实时处理用户行为数据，并统计“连续活跃时长”。假设输入数据包含字段：`user_id`（用户ID）、`event_type`（事件类型，如“点击”、“浏览”等）、`timestamp`（事件时间戳，精确到秒）。现需统计每个用户在任意连续10秒内的“点击”事件数量，并输出结果。要求：1.结果需包含`user_id`、`click_count`（连续10秒内点击次数）、`start_timestamp`（最早点击时间）三列。2.使用Flink的会话窗口或滑动窗口实现连续时间段的统计。第六题（4分）题目：招商银行成都温江区某业务场景需实时统计用户的“交易频率”。假设输入数据包含字段：`user_id`（用户ID）、`transaction_id`（交易ID）、`timestamp`（交易时间戳，精确到分钟）。现需统计每个用户每分钟的交易次数，并按交易类型（如“转账”、“消费”）分类输出。要求：1.结果需包含`user_id`、`transaction_type`、`timestamp`（分钟级别）、`transaction_count`（交易次数）四列。2.使用Flink的窗口函数和分组聚合实现统计。第七题（6分）题目：招商银行成都温江区某场景需实时检测用户的“疑似套现”行为。假设输入数据包含字段：`user_id`（用户ID）、`transaction_id`（交易ID）、`amount`（交易金额）、`timestamp`（交易时间戳）、`source_account`（资金来源账户）、`target_account`（资金去向账户）。现需检测是否存在以下套现行为：1.同一用户在10分钟内，从同一来源账户向同一目标账户发生多笔交易，且总金额超过10万元。要求：1.结果需包含`user_id`、`source_account`、`target_account`、`total_amount`（总金额）、`timestamp`（最早交易时间）五列。2.使用Flink的窗口函数和聚合逻辑实现检测。第八题（5分）题目：招商银行成都温江区某业务场景需实时统计用户的“会话时长”。假设输入数据包含字段：`user_id`（用户ID）、`event_type`（事件类型，如“登录”、“登出”等）、`timestamp`（事件时间戳，精确到秒）。现需统计每个用户登录后的会话时长（以“登录”和“登出”事件判断），并按用户分组输出。要求：1.结果需包含`user_id`、`session_start`（登录时间）、`session_end`（登出时间）、`duration`（会话时长，单位：秒）四列。2.使用Flink的会话窗口或联合数据源实现会话时长统计。第九题（4分）题目：招商银行成都温江区某场景需实时统计用户的“交易热点”。假设输入数据包含字段：`user_id`（用户ID）、`transaction_id`（交易ID）、`amount`（交易金额）、`timestamp`（交易时间戳）、`category`（交易类别，如“餐饮”、“购物”等）。现需统计每分钟内各类别的总交易金额，并按类别排序输出。要求：1.结果需包含`category`、`timestamp`（分钟级别）、`total_amount`（总金额）三列。2.使用Flink的窗口函数和聚合逻辑实现统计。第十题（3分）题目：招商银行成都温江区某业务场景需实时统计用户的“交易成功率”。假设输入数据包含字段：`user_id`（用户ID）、`transaction_id`（交易ID）、`status`（交易状态，如“成功”、“失败”）、`timestamp`（交易时间戳）。现需统计每个用户每分钟的交易成功率（成功率=成功交易数/总交易数）。要求：1.结果需包含`user_id`、`timestamp`（分钟级别）、`success_rate`（成功率）三列。2.使用Flink的窗口函数和聚合逻辑实现计算。答案与解析第一题答案与解析FlinkSQL语句：sqlSELECTuser_id,DATE_FORMAT(timestamp,'yyyy-MM-ddHH:mm')AStimestamp,SUM(amount)AStotal_amountFROMinput_tableWHEREtransaction_type='转账'GROUPBYuser_id,window(timestamp,TUMBLE(1,MINUTE));解析：1.`DATE_FORMAT(timestamp,'yyyy-MM-ddHH:mm')`将时间戳转换为分钟级别格式。2.`SUM(amount)`统计每分钟内“转账”交易的总金额。3.`window(timestamp,TUMBLE(1,MINUTE))`定义了1分钟的滚动窗口。第二题答案与解析FlinkSQL语句：sqlSELECTaction_type,DATE_FORMAT(timestamp,'yyyy-MM-ddHH:mm')AStimestamp,COUNT(DISTINCTuser_id)ASactive_user_countFROMinput_tableGROUPBYaction_type,window(timestamp,TUMBLE(1,MINUTE));解析：1.`COUNT(DISTINCTuser_id)`统计每分钟内不同`user_id`的数量。2.`DATE_FORMAT(timestamp,'yyyy-MM-ddHH:mm')`转换为分钟级别格式。3.`window(timestamp,TUMBLE(1,MINUTE))`定义了1分钟的滚动窗口。第三题答案与解析FlinkSQL语句：sqlSELECTatm_id,transaction_id,MIN(timestamp)AStimestamp,'失败'ASstatusFROM(SELECTatm_id,transaction_id,timestamp,status,COUNT()OVER(PARTITIONBYatm_id,window(timestamp,HOP(3,1,MINUTE)))ASfailure_countFROMinput_tableWHEREstatus='失败')ASsubqueryWHEREfailure_count>=2GROUPBYatm_id,transaction_id,timestamp,status;解析：1.`COUNT()OVER(...)`计算每个ATM机在3分钟内的“失败”交易数量。2.`HOP(3,1,MINUTE)`定义了3分钟宽、1分钟滑动的窗口。3.外层查询过滤出连续3秒内至少2次“失败”的交易。第四题答案与解析FlinkSQL语句：sqlSELECTuser_id,CASEWHENtotal_amount>5000ANDcount_amount>=3THEN'高'WHENtotal_amount>1000ANDdistinct_location>=2THEN'中'ELSE'低'ENDASrisk_levelFROM(SELECTuser_id,SUM(amount)AStotal_amount,COUNT()AScount_amount,COUNT(DISTINCTlocation)ASdistinct_location,window(timestamp,TUMBLE(1,MINUTE))FROMinput_tableGROUPBYuser_id,window(timestamp,TUMBLE(1,MINUTE)))ASsubquery;解析：1.内层查询统计每分钟内用户的交易总金额和交易次数。2.`CASE`语句根据规则判定风险等级。3.`window(timestamp,TUMBLE(1,MINUTE))`定义了1分钟的滚动窗口。第五题答案与解析FlinkSQL语句：sqlSELECTuser_id,COUNT()ASclick_count,MIN(timestamp)ASstart_timestampFROM(SELECTuser_id,event_type,timestamp,COUNT()OVER(PARTITIONBYuser_id,window(timestamp,SESSION(10)))ASclick_countFROMinput_tableWHEREevent_type='点击')ASsubqueryGROUPBYuser_id,start_timestamp;解析：1.`window(timestamp,SESSION(10))`定义了10秒的会话窗口。2.`COUNT()OVER(...)`计算每个会话内的“点击”事件数量。3.外层查询按用户分组并输出结果。第六题答案与解析FlinkSQL语句：sqlSELECTuser_id,transaction_type,DATE_FORMAT(timestamp,'yyyy-MM-ddHH:mm')AStimestamp,COUNT()AStransaction_countFROMinput_tableGROUPBYuser_id,transaction_type,window(timestamp,TUMBLE(1,MINUTE));解析：1.`DATE_FORMAT(timestamp,'yyyy-MM-ddHH:mm')`转换为分钟级别格式。2.`COUNT()`统计每分钟内用户的交易次数。3.`window(timestamp,TUMBLE(1,MINUTE))`定义了1分钟的滚动窗口。第七题答案与解析FlinkSQL语句：sqlSELECTuser_id,source_account,target_account,SUM(amount)AStotal_amount,MIN(timestamp)AStimestampFROM(SELECTuser_id,source_account,target_account,amount,timestamp,COUNT()OVER(PARTITIONBYuser_id,source_account,target_account,window(timestamp,HOP(10,1,MINUTE)))AStransaction_count,SUM(amount)OVER(PARTITIONBYuser_id,source_account,target_account,window(timestamp,HOP(10,1,MINUTE)))AStotal_amountFROMinput_table)ASsubqueryWHEREtransaction_count>=2ANDtotal_amount>100000GROUPBYuser_id,source_account,target_account,timestamp;解析：1.`window(timestamp,HOP(10,1,MINUTE))`定义了10分钟宽、1分钟滑动的窗口。2.`COUNT()`和`SUM(amount)`统计窗口内的交易次数和总金额。3.外层查询过滤出违规记录。第八题答案与解析FlinkSQL语句：sqlSELECTuser_id,MIN(timestamp)ASsession_start,MAX(timestamp)ASsession_end,MAX(timestamp)-MIN(timestamp)ASdurationFROM(SELECTuser_id,timestamp,event_type,LAG(event_type,1,'登出')OVER(PARTITIONBYuser_idORDERBYtimestamp)ASprev_event_typeFROMinput_table)ASsubqueryWHERE(event_type='登录'ORprev_event_type='登出')GROUPBYuser_id;解析：1.`LAG(event_type,1,'登出')`获取前一条事件类型。2.过滤出“登录”或前一条是“登出”的事件。3.计算会话时长。第九题答案与解析Flink