搜索[量化交易]结果-低调大师优秀个人博客

Apache Spark 3.0 中的向量化 IO

这篇博客文章概述了 SparkR 中 Spark 和 R 的交互，并对比了没有向量化执行和有向量化执行的性能差异。

2020-07-16

如何量化考核技术人的KPI？

二、技术KPI的量化提升技术氛围，打造工程师文化不能仅停留在口头上，可搭配一定的强制手段，比如和技术人员的利益绑定。这种绑定就需要我们能对技术贡献进行一个相对公平的分解和量化。

2018-11-15

全球首个 AI Agent 交易市场“MuleRun”正式上线

据 Mulerun 官方消息，全球首个 AI Agent 交易市场 MuleRun（骡子快跑）正式上线，为 AI 数字劳动力提供一站式交易服务，链接全球 Agent 创作者与用户。

2025-09-17

交易后台渲染性能优化

本文从本次交易后台性能优化实践出发，同时介绍应用整体架构和设计，希望可以给参与网站性能建设的同学提供一定的学习和参考价值。

2024-04-17

交易履约之结算平台实践 | 京东云技术团队

金道结算平台对接各垂直业务系统，实时同步业务的交易数据，并经过标准的结算流程（数据标准化预处理，清分，计费，分摊，结算单生成、运营确认等），最终通过财务渠道或其他支付渠道完成资金结算，有效降低了各业务系统结算成本的投入

2023-10-10

【提升团队运营效率】交易履约之订单中心实践

1、概述 1.1 交易履约是什么？首先定义下什么是交易履约，交易履约是在甲乙双方达成交易产生订单后，乙方按照订单条款为甲方提供服务或交付约定物的行为。 1.2 交易履约订单中心是个什么系统？

2023-01-18

基于B/S结构的高校物品交易系统

更重要的是能够满足大学生之间快节奏的生活方式，满足他们的供求需要，为双方构建一个信任交易平台。

2021-04-21

基于Java语言构建区块链（六）—— 交易（Merkle Tree）

由于交易信息是存储在区块当中，所以我们现有的做法是遍历区块链中的每个区块，然后遍历每个区块中的交易信息，再然后遍历每个交易中的交易输出，并检查交易输出是否被相应的钱包地址所锁定，效率非常低下。

2018-04-16

阿里万亿交易量级下的秒级监控

我要讲的内容是偏工程的：怎么在万亿交易量下实现足够实时的秒级监控？

2017-12-06

软银宣布完成310亿美元收购ARM交易

软银完成收购ARM交易据外媒报道，软银今天宣布，已完成对英国芯片设计公司ARM控股的收购交易。

2017-07-02

【AI+量化实战 #01】AI不是股神？用大模型辅助量化研究的正确姿势与Prompt框架

问题不在 AI，而在提问方式。大模型不是股神，也不会算命。把它当成「会读数据、会写摘要、会找逻辑漏洞的研究助理」，它才好用。

2026-09-09

你的 Python 量化脚本为什么总在关键时刻挂掉：数据接口稳定性才是量化的地基

做量化最怕什么？不是策略亏钱——亏钱至少说明策略跑起来了。最怕的是：策略根本没跑起来。

2026-08-05

加密货币交易平台反钓鱼治理体系构建研究

加密货币交易平台因其账户资产的高流动性与不可逆性，长期处于网络钓鱼攻击的高风险敞口之中。

2026-08-25

百度交易中台之资产系统架构浅析

作者 | 小黑哥导读：百度交易中台资产系统是基于百度收银台和交易系统下，对公司内C端个人现金、虚拟类资产（虚拟币等）业务进行收拢、管理，提供安全可靠且符合国家清算规范的用户资产管理能力。

2022-09-22

导读：百度APP内含有现金、活动、虚拟等多类资产信息，分布于百度APP内各个业务线中，用户回访信息难度较高，且用户对百度资产认知度不高。我的钱包建立后，汇聚百度APP内所有用户资产信息，解决了用户回访难的问题，建立用户百度APP资产认知。本文主要介绍了钱包从0到1的搭建过程、遇到的各种问题以及相应的解决方案，旨在抛砖引玉，希望能给读者带来思考和帮助。全文6082字，预计阅读时间16分钟一、背景百度APP坐拥日活2亿+、月活6亿+用户，在百度APP内每时每刻都产生了众多用户的资产信息。当前，百度APP内含有现金资产、活动资产、虚拟资产等多类资产信息，分布于百度APP内各个业务线中。每个业务线提供用户独立的资产信息，业务线间关联性较低，用户回访信息难度较高，不利于形成用户对百度APP资产信息的整体认知。亟需一个系统，能够汇聚百度APP内所有用户资产信息，支持用户资产信息统一汇总、展示，收拢用户回访入口，建立用户百度APP资产认知，提升百度APP用户体验，我的钱包应运而生。二、业务介绍百度APP个人中心里我的钱包，主要收拢了百度用户的资产信息，进行统一的管理、展示，同时收拢各个业务线资产查看、使用等能力的入口，便于用户快速回访、找到个人的资产信息。钱包在百度APP个人中心外露四个金刚位和钱包入口地址，四个金刚位支持配置，运营人员可根据不同时期的活动、营销等配置不同外露业务方，便于用户快捷回访。同时四个金刚位支持业务数据外露展示，使用户直观感知个人的资产信息。在钱包入口点击后，可进入钱包首页。首页中主要外露用户的现金、提现活动、返现、卡券、虚拟币、快捷入口等信息，同时支持运营配置营销、活动。对于现金余额信息，我们需要用户授权，用户授权后查询用户在度小满、百度闪付的余额，进入明细页面后，可分别进行授权、查看明细。针对活动提现金额，钱包推动百度APP内所有涉及提现金额的业务接入钱包，统一进行管理，支持用户查看金额明细，其中金额明细中包含两个部分，一部分是明确返回用户余额信息的业务，支持用户点击跳转至具体业务方查看明细，另一部分是汇总百度提现中心全部业务，支持用户点击跳转，建立用户现金余额统一管理、访问的认知。对于虚拟币数据，可根据用户各个虚拟币余额数量进行动态展示，便于用户快速知晓自己的虚拟币信息，点击具体虚拟币时，支持跳转至业务方明细页面进行查看明细、充值等操作，也支持跳转至钱包统一虚拟币明细列表，查看用户明细、月度汇总等信息。对于业务方接入，钱包提供多种接入方式：API数据同步、实时查询、配置跳转，业务方可根据自己实际情况进行选择。 △图2-1 钱包展示三、系统业务架构 △图3-1 钱包业务架构图钱包的整体系统业务架构如上图3-1所示，钱包服务主要面向C端用户、业务接入方、运营人员。针对C端用户，钱包提供百度APP个人中心一级入口和钱包首页两个核心入口，前端使用talos框架实现。用户通过个人中心入口访问到达逻辑层后，首先判断用户是否命中用户缓存，该缓存用来标识用户是否有资产，如果命中缓存且有资产，则读取数据缓存返回数据。用户通过钱包首页进入钱包，根据访问的模块，路由适配器根据配置规则，选择不同数据规则进行数据加载、获取，数据获取后按规则进行聚合返回。为了防止服务异常时影响页面渲染，提供异常兜底方案，业务方接口异常时使用缓存数据兜底，内部异常时统一返回兜底文案。针对不同的业务方，我们提供多种接入方式，对一个人中心一级入口外露业务，我们提供推送、拉取机制，即业务方在用户数据变更时同步钱包，钱包准时拉取用户最新数据；对于钱包首页、列表页业务，我们提供实时查询方式，对于利用钱包给业务内导流的业务，我们支持H5、scheme、talos、端内等多种跳转能力。配置主要包括基础配置、扩展配置、流控配置，实现不同的适配器供上游调用。运营人员可使用B端运营工具，配置、修改接入的业务方信息，也可以管理钱包首页展示、运营活动、营销等，同时亦可配置相关的流控、监控等信息。底层服务，我们使用了百度内通用的数据库、Redis、消息队列、CDN等基础服务，该基础服务由统一的部门运维，稳定性比较可靠。四、技术细节 1、资产数据同步钱包搭建，面临着一个棘手的问题：百度APP内资产信息分布在不同业务线，信息间互相隔离，系统异构。如果推动业务方直接暴露API查询数据，则需要业务方接口达到钱包要求的高QPS、底平响、高稳定性，同时业务线内可能存在一些特殊情况，再加上节假日、活动等特殊时期流量突增，会严重影响钱包数据展示，进而影响用户体验。存在部分业务方用户量级较小，但必须得提供符合钱包需要的性能，这就对业务方带来额外压力。如果要求所有业务方将全量数据同步至钱包，又面临业务线数据推送、钱包海量数据存储、数据准确性对账等问题。针对如上一系列问题，我们确定了接入钱包的原则：①在个人中心破壳展示位外露的业务方，必须将资产数据同步至钱包，钱包服务内部确保接口可用性和降级方案；②钱包首页展示数据，支持业务方选择是否将数据同步至钱包，如果不同步数据，需要提供满足QPS、平响等要求的API供钱包调用；③钱包二级页面、三级页面数据，需业务方提供查询API或者落地页，实时查询业务方数据进行展示，确保明细数据准确无误。 1.1 数据同步对于业务方同步的用户资产数据，我们只存储用户的最新数据，考虑数据量级问题，钱包不存储历史快照。钱包定义业务方数据推送的接口规范，业务方在数据更新时，需及时通知钱包拉取最新数据。为了防止业务方推送数据时流量突增对钱包sever的影响以及提高钱包server的吞吐，引入消息队列进行削锋，即接到业务方资产数据变更请求时，放入消息队列后返回业务方通知成功，钱包server内消费队列消息，根据配置信息向业务方拉取最新数据进行更新。对于用户资产明细数据，钱包定义接口规范，业务方实现后将调用地址提供给钱包，钱包进行配置，用户访问时实时调用。于是，我们设计了如下的数据同步方案： △图4-1 业务方数据同步 ①用户资产变更时，业务方调用钱包接口通知信息变更； ②钱包接到通知后，放入消息队列； ③消费任务获取消息队列中消息进行消费处理； ④根据配置，拉取业务方最新信息，更新至钱包存储；在消费消息时，钱包server进行批量处理，针对一定时间内同一业务方同一用户信息，只拉取一次数据，减少对业务方服务压力。遇到异常时，会进行3次重试拉取。钱包server控制是否拉取、流控，在下游业务方服务异常时，可及时停止拉取、降低拉取流量，减少或者去除下游系统对钱包的影响。 1.2 实时查询针对部分业务方不推送数据，我们定义接口规范，业务方进行实现，实现后上报钱包配置调用方式。对于此类业务方，不允许配置到个人中心展示，防止业务方接口性能不达标拖累整体用户体验。实时查询接口主要分为余额、分页明细接口，钱包统一format后进行展示。余额接口查询返回后，异步写入Redis进行缓存，用于下次访问业务接口异常时进行兜底展示，如果后续访问业务接口正常，则使用最新数据更新Redis数据。用户明细分页数据包含分页明细数据和月度汇总数据（月度总收入与总支出），钱包调用下游拆分成两个接口：分页明细接口和月度汇总接口，提供给前端展示页面封装成一个接口，降低前端交互复杂度。调用下游分页接口实时返回用户明细分页数据，月度汇总接口返回用户当前明细所属月份的汇总数据。钱包服务内部根据业务方明细分页接口数据进行汇总，为了减少请求业务方次数，钱包内部判断分页数据，如果返回数据都是同一月份，则只请求业务方一次月度汇总接口，后续分页不再请求，如果返回数据分散在两个月份，则请求业务方月度接口两次，如果返回数据分散在三个月份（含）以上，则只请求起止两个月份的月度数据，中间月份数据由钱包根据明细数据内部计算。 2、多级缓存百度登录账号体系中，用户id已超过数十亿，存在资产的用户接近亿级，同时钱包会在百度APP个人中心破壳展示部分业务，即一级入口，预计会带来平均万级 QPS、峰值超过十万级 QPS流量，特殊时间点可能会更高。为了防止服务宕机对百度APP产生非预期影响，故需要对破壳展示的数据提供完整缓存方案和降级预案。为了提升系统的高吞吐，我们决定将一级入口数据全部缓存至Redis，访问流量只读Redis，如果遇到Redis异常时，则返回兜底数据，不查询DB（防止压垮DB）。DB数据用来Redis极端情况崩溃时恢复Redis数据时使用。针对存在资产的用户量分析，进入个人中心的用户存在一个特点：大部分用户没有个人中心外露的资产数据，抽象成一个稀疏矩阵，这就使我们在设计的时候，可以考虑两层缓存：第一层判断用户是否拥有资产信息，第二层缓存存储用户资产数据。故我们设计了如下的两层缓存方案。 △图4-2钱包两层缓存方案时序图大部分用户流量会被第一层缓存拦截，设计合理的第一层缓存数据结构，成为了系统的一个关键。我们调研了hyperLogLog、布隆过滤器、roaringBitmap等方案，分析和实验后发现，hyperLogLog中pfadd操作本身可以满足性能要求，key的大小在12k也满足，但是由于pfadd本身针对于一个uid，只能操作一次，所以不适合这个场景hyperLogLog；布隆过滤器在试验20亿的数据量下，内存占用来量大约占比3G，内存占用比较大，基于redis的布隆过滤器没有分布式的数据能力，本质上还是对redis的强依赖，存在风险。 roaringBitmap在存储空间上满足要求，我们根据钱包的实际场景，改进了分桶与计算规则，根据用户id进行sharding分桶，桶内使用uid的hash值对应的bitmap位点标记状态。实验数据验证，3000分片，8个计算单元，1000W实验数据，存储空间占用500M+，误判率2.14%，即存在2.14%的用户没有资产信息会打到第二层缓存，整体对第二层缓存增加压力可控。 3、读写分离钱包服务承接较大的读流量和写流量，为了防止互相影响，我们将读写流量分别拆到不同的服务。用户访问读服务异常时，不影响业务方推送写入，业务方推送写入服务异常时，不影响C端用户访问。读服务主要承接C端用户通过个人中心和钱包首页、二级页面访问的流量，将用户访问的相关数据进行缓存，提升系统平响。写服务主要承接业拉取业务方数据和C端用户授权信息，同时承接消息队列消费处理和与下游业务方交互。读写服务之间，通过RPC接口调用进行交互。 △图4-3读写分离 4、数据一致个人中心外露的业务数据，针对接入用户中心外露展示的业务方，我们需要业务方在用户资产发生变更时及时推送给钱包，以确保用户在钱包看到的数据与在业务方提供的入口查看的数据是相同的。但实际情况不一定如此，比如业务方推送服务异常、网络抖动，都有可能导致两方数据不一致。于是，我们提出了推拉结合的数据一致性解决方案。即业务方资产信息变更时，准时推送钱包，在用户进入个人中心时，触发拉取用户最新资产信息。当前，我们只对用户的资产信息已被推送至钱包的业务方，拉取用户最新资产信息，防止拉取全量业务方数据给用户量级小的业务方带来过多无效拉取流量导致服务压垮。针对系统内部，由于展示时只使用Redis中缓存数据，如果同步用户信息时因某些异常导致Redis与DB中数据不一致，我们采用定时任务，每天凌晨拉取DB中前一天（DB变更时间）有变更的用户信息，与Redis信息进行比对，数据不一致时，拉取业务方最新数据，更新Redis数据，做到T+1对账，解决系统内数据不一致问题。对于钱包内展示的业务方，也会存在服务异常、网络抖动导致的无法获取用户最新信息的问题。我们采用的方案，对于正常请求业务方结果数据，将结果信息写入Redis，如果下次访问业务方接口异常时，使用Redis中数据作为兜底，优先确保数据正常展示。如果后续请求下游接口正常，则使用成功的数据更新Redis数据，确保Redis数据的准实时性。 △图4-4钱包数据一致方案时序图 5、配置化钱包设计之初，就面临着如何支持业务方快速接入和支持运营人员快速配置用户展示界面、活动、营销等信息的问题。通用配置化能力，是解决此类问题的首选方案。配置化主要分为两部分：接入配置化和展示配置化。通过分析发现，不同业务方的接入、展示需求不同，于是我们抽象共同的信息，生成通用基础信息，对于业务个性化信息，采用扩展模型记录业务特殊配置。汇总业务方基础配置+扩展配置后，放入Redis缓存中。对于钱包展示配置，底层设计展示通用配置，比如展示名称、文案、跳转链接、图片Url、背景图Url，对于特殊展示需求，可配置到扩展信息，比如外露Icon、展示金额，配置信息同样放入Redis缓存中。项目上线初期，配置信息新增与更改的频次都很高，容易发生修改错误的风险，导致C端用户体验受损。于是我们设计版本号+白名单方案进行放量控制，新版本发布需与白名单用户相关联，配置生效后先使用白名单用户线上进行验证，验证通过后逐步全流量。修改配置时，保存历史更改全量数据，用于配置信息异常时回滚。由于钱包对业务方配置信息依赖较强，如果Redis异常时会影响钱包的稳定性，所以我们将配置信息同步配置到百度云控平台GCP中，作为Redis异常时的兜底。缓存有效期可以设置永久有效，在变更配置时同步更新Redis，同时需要同步更新GCP配置，及时下发。 6、数据库设计由于用户量较大，涉及用户资产信息到了数据库层面会同步放大，受限于MySQL数据库单机处理能力，故将数据进行拆分，不同的数据放置在不同的机器，便于机器扩容。在数据模型的设计上，数据库分表字段采用用户id作为分表字段（shardingKey），这样通过用户id定位到具体的库和表，因将整个资产信息库所有表按照统一规则进行切分，分表规则一致，保证按照同一用户都能在一个库，从而可以使用数据库事务。采用分库分表模式，后续遇到数据库存储瓶颈时，可以很方便的进行横向扩容。五、总结本文重点在介绍了百度APP个人钱包搭建的整个技术细节，在项目推动和落地的过程中，也遇到了诸多困难，主要的难点在系统高可用、高稳定、快速支持业务接入。梳理清楚难点与技术关键点，抓住关键问题，对系统合理做减法，降低系统复杂度，快速推进系统上线，后续不断迭代，打造极致用户体验。后续，在业务上会持续推进业务线快速接入，让用户在钱包内可以查看、管理百度系全量资产信息，在技术上继续推进稳定性、可靠性建设，为业务方带来更多用户流量，为用户提供更好的用户体验。 ——————END—————— 推荐阅读：基于宽表的数据建模应用百度评论中台的设计与探索基于模板配置的数据可视化平台如何正确的评测视频画质小程序启动性能优化实践我们是如何穿过低代码 “⽆⼈区”的：amis与爱速搭中的关键设计移动端异构运算技术-GPU OpenCL 编程（基础篇）云原生赋能开发测试

2022-06-21

美国已确定，52亿美元BTC和勒索交易有关

据Bleeingcomputer消息，美国财政部下属金融犯罪执法网络(FinCEN)已经确定，约有价值52亿美元的比特币交易和排名前十的勒索软件及其变种有关。

2021-10-18

最全盘点：2021年优秀网络安全并购交易

以下是我们总结的2021年度最重要的一些网络安全并购交易： 1.

2021-09-22

OpenMLDB在银行上线事中交易反欺诈模型实践

业务背景随着机器学习慢慢得业界认可，很多银行开始引入机器学习模型辅助规则引擎做决策，银行也做很多离线机器学习模型探索，效果都不错，但是却很少最后应用于在线环境，主要有以下几个原因在风控场景，在线推理需要高性能，要求tp99 20ms，大部分模型性能很难达到特征实效性要求高，基于真正滑动时间窗口做时序特征，大部分的基础设施无法满足特征计算复杂且量大，上线成本非常高离线特征计算与在线一致性保持困难，最终出现离线效果好，在线效果差情况今天作为一个机器学习应用开发者，来告诉大家基于openmldb是如何解决这些问题的如何使用OpenMLDB解决一致性问题在没有使用OpenMLDB之前，完成一个反欺诈模型上线项目需要做以下事情去解决一致性问题因为数据科学家离线使用SQL处理数据，而再在线需要实时计算特征，需要转写特征方案，就需要和数据科学家对齐特征处理逻辑，还需要考虑数据科学家方案变化的风险根据反欺诈在线系统架构设计一套在线适合实时数据处理架构需要人肉开发每一个特征处理逻辑，每个特征方案如果几千特征，会有大量开发成本，如果要对接多个模式是不可能的在这个过程中特征处理会消耗大量时间去对齐，有时候还会因为特征无法上线砍掉科学家的部分特征，而使用OpenMLDB之后，数据科学家的SQL特征处理逻辑能够直接给我使用，也就是说我只用做一件事情，拿着数据科学家的sql 扔到OpenMLDB里面执行拿到结果做模型推理，再也不用关心数据科学家的特征处理逻辑是什么，所以OpenMLDB给我带来的好处不用理解数据科学家的特征方案逻辑，即使方案调整，我也只需要更新SQL到OpenMLDB里面就行不用设计整套在线数据计算流，使用OpenMLDB让我感觉就像使用MySQL开发传统应用一样简单告别人肉开发特征，人生苦短，开发机器学习应用我用OpenMLDB 这里大家可能会好奇，OpenMLDB是如何做到一个SQL不用做任何修改就能批量和实时执行，因为OpenMLDB支持两种执行模式批量模式，针对训练过程产生样本，类似传统数据库执行SQL Request模式，针对推理过程实时产生样本，只会计算与请求相关的特征如何使用OpenMLDB解决性能问题 OpenMLDB自带了一些列编译优化技术，比如函数动态循环绑定以及在线部分数据完全是in-memory的，能够保证非常高执行性能，以下是OpenMLDB github自带的性能数据我们可以看出OpenMLDB的执行性能比SingleStore和Hana有很大的优势，接下来我们看一个实际SQL执行效率，SQL如下 select * from (select card_no, trx_time, merchant_id, month(trx_time) as fea_month, dayofmonth(trx_time) as fea_day_of_month, hour(trx_time) as fea_hour, week(trx_time) as fea_week, substr(card_no, 1, 6) as card_no_prefix, max(trx_amt) over w30d as w30d_trx_max , min(trx_amt) over w30d as w30d_trx_min, sum(trx_amt) over w30d, avg(trx_amt) over w30d, max(usd_amt) over w30d, min(usd_amt) over w30d, sum(usd_amt) over w30d, avg(usd_amt) over w30d, max(org_amt) over w30d, min(org_amt) over w30d, sum(org_amt) over w30d, avg(org_amt) over w30d, distinct_count(merchant_id) over w30d, count(merchant_id) over w30d, distinct_count(term_city) over w30d, count(term_city) over w30d, max(trx_amt) over w10d, min(trx_amt) over w10d, sum(trx_amt) over w10d, avg(trx_amt) over w10d, max(usd_amt) over w10d, min(usd_amt) over w10d, sum(usd_amt) over w10d, avg(usd_amt) over w10d, max(org_amt) over w10d, min(org_amt) over w10d, sum(org_amt) over w10d, avg(org_amt) over w10d, distinct_count(merchant_id) over w10d, count(merchant_id) over w10d, distinct_count(term_city) over w10d, count(term_city) over w10d from tran window w30d as (PARTITION BY tran.card_no ORDER BY tran.trx_time ROWS_RANGE BETWEEN 30d PRECEDING AND CURRENT ROW), w10d as (PARTITION BY tran.card_no ORDER BY tran.trx_time ROWS_RANGE BETWEEN 10d PRECEDING AND CURRENT ROW)) as trx_fe last join card_info order by card_info.crd_lst_isu_dte on trx_fe.card_no = card_info.crd_nbr and trx_fe.trx_time >= card_info.crd_lst_isu_dte ; 先分析一下这个SQL，影响起性能的因素时间窗口里面数据条数特征个数因为特征个数是特定的，所以我们测试在不同条数的时间窗口的性能表现使用OpenMLDB在线业务效果业务效果，是大家非常关心的事情，目前我上线了多个银行的反欺诈场景，在线效果与离线评估效果保持了一致，模型效果对比客户的专家规则有2～8提升，在同样的召回率情况下，客户非常认可我们的工作，希望我的分享能够帮助大家关于OpenMLDB OpenMLDB是一个面向机器学习应用提供正确、高效数据供给的开源数据库。除了超过10倍的机器学习数据开发效率的提升，OpenMLDB也提供了统一的计算与存储引擎减少开发运维的复杂性与总体成本。欢迎大家参与到https://github.com/4paradigm/OpenMLDB社区中

2021-07-13

FBS外汇交易平台遭遇重大数据泄漏

外汇交易市场的日均交易量超过5万亿美元。外汇交易主要由银行和全球金融服务主导，但由于有了互联网，如今普通人可以直接涉足外汇、证券和大宗商品交易。

2021-03-29

饿了么交易系统 5 年演化史

2018年初负责整个订单正逆向和交付，年中将下单、购物车部分一起归并，年底和商户订单部分整合，形成交易中台。 2019年10月从交易中台转出，近期做了一小段时间的组织效能和架构。

2020-08-21

精选列表