Кеширование данных в памяти

Если одни и те же данные запрашиваются часто, каждый раз обращаться к БД, API или делать тяжёлые вычисления это потеря времени.

Создаём простое хранилище кеша:

Map<String, String> cache = new HashMap<>();

Метод получения данных с кешированием:

String getData(String key) {
    if (cache.containsKey(key)) {
        System.out.println("Найдено в кеше");
        return cache.get(key);
    }

    System.out.println("Данных нет — выполняю долгую операцию...");
    String value = slowOperation(key);
    cache.put(key, value);
    return value;
}

Имитация тяжёлой операции:

String slowOperation(String key) {
    try { Thread.sleep(2000); } catch (InterruptedException ignored) {}
    return "Data for " + key;
}

Первый вызов медленный, второй быстрый:

System.out.println(getData("user:42"));
System.out.println(getData("user:42"));

Такой подход используют для: результатов запросов к БД, API-ответов, вычислений, конфигов.

👉 Java Ready | #совет

☕️ Java Cheatsheet — компактный справочник по ключевым концепциям!

Репозиторий представляет собой структурированную шпаргалку по фундаментальным темам языка: ООП, полиморфизм, коллекции, исключения, сериализация, ключевые слова, типы данных и распространённые особенности поведения Java. Материал ориентирован на быстрое повторение теории.

Оставляю ссылочку: GitHub 📱

👉 Java Ready | #ресурс

📂 Напоминалка для работы с HTTP-запросами!

Например, GET используется для получения данных, POST — для создания новых записей, а DELETE — для удаления.

На картинке — 9 самых популярных методов HTTP-запросов, которые стоит держать под рукой каждому разработчику.

Сохрани, чтобы не забыть!

👉 Java Ready | #ресурс

Защита от повторных запросов!

В API часто бывает повторы задач, что бы защититься от этого можно использовать Idempotency-key.

Создаём хранилище ключей с временем истечения:

record Entry(String response, long expireAt) {}
var store = new java.util.concurrent.ConcurrentHashMap<String, Entry>();

Функция для проверки/выполнения операции по ключу:

String handle(String key, java.util.function.Supplier<String> action, long ttlMs) {
    long now = System.currentTimeMillis();
    var saved = store.get(key);
    if (saved != null && saved.expireAt() > now) return saved.response();

Если ключ новый выполняем действие и сохраняем ответ:

    var result = action.get();
    store.put(key, new Entry(result, now + ttlMs));
    return result;
}

Пример: один и тот же ключ возвращает один и тот же ответ:

var key = "pay:order-42";
var r1 = handle(key, () -> "OK#" + java.util.UUID.randomUUID(), 60000);
var r2 = handle(key, () -> "OK#" + java.util.UUID.randomUUID(), 60000);
System.out.println(r1);
System.out.println(r2);

Теперь повторные запросы с тем же ключом не выполняют операцию повторно.

👉 Java Ready | #практика

📂 Напоминалка по HTTP vs HTTPS!

Например, HTTP передаёт данные в открытом виде, без шифрования. HTTPS работает поверх TLS и защищает соединение: выполняется проверка сертификата, обмен ключами и дальнейшая передача данных в зашифрованном виде.

На картинке — ключевые этапы установления соединения.

Сохрани, чтобы не забыть!

👉 Java Ready | #ресурс

Змейка в консоли

Классический способ прокачать логику, циклы и работу с вводом это написать простую игру прямо в терминале.

Поле и стартовые координаты:

int width = 20, height = 10;
int x = width / 2, y = height / 2;

Еда:

int foodX = (int) (Math.random() * width);
int foodY = (int) (Math.random() * height);

Чтение управления (WASD):

char key = sc.nextLine().toLowerCase().charAt(0);

Двигаем голову змейки:

if (key == 'w') y--;
if (key == 's') y++;
if (key == 'a') x--;
if (key == 'd') x++;

Проверка стен:

if (x < 0 || x >= width || y < 0 || y >= height) {
    System.out.println("Game Over");
    break;
}

Если съели еду спавним новую и добавляем очки:

if (x == foodX && y == foodY) {
    score++;
    foodX = (int) (Math.random() * width);
    foodY = (int) (Math.random() * height);
}

Отрисовка кадра:

for (int i = 0; i < height; i++) {
    for (int j = 0; j < width; j++) {
        if (i == y && j == x) System.out.print("O");
        else if (i == foodY && j == foodX) System.out.print("*");
        else System.out.print(".");
    }
    System.out.println();
}
System.out.println("Score: " + score);

Код очень простой, но подойдёт для новичков.

👉 Java Ready | #совет

✍️ Awesome Java — большая подборка полезных ресурсов!

Репозиторий представляет собой структурированный список качественных материалов для Java-разработчиков: инструменты сборки (Maven, Gradle), статьи, руководства, видео-лекции и практические разборы. Удобно для обучения, повторения и поиска источников.

Оставляю ссылочку: GitHub 📱

👉 Java Ready | #репозиторий

☕️ Tutorials от Oracle — настоящая база знаний по Java!

Это обучающий портал, где подробно разобраны синтаксис, ООП, коллекции, исключения, потоки ввода-вывода, многопоточность и другое. Материал подаётся структурированно, от основ языка до продвинутых тем и API. Почти в каждом разделе есть примеры кода, объяснение концепций и ссылки на официальную документацию.

📌 Оставляю ссылочку: oracle.com

👉 Java Ready | #сайт

Timeout wrapper для операций!

Иногда операция может зависнуть, чтобы программа не ждала бесконечно, можно задать таймаут выполнения.
Если задача не успела она прерывается и возвращается ошибка.

Создаём пул потоков для выполнения задач:

var pool = java.util.concurrent.Executors.newSingleThreadExecutor();

Оборачиваем операцию в Future:

var future = pool.submit(() -> {
    Thread.sleep(2000); // имитация долгой операции
    return "Готово";
});

Пытаемся получить результат с таймаутом:

try {
    var result = future.get(1, java.util.concurrent.TimeUnit.SECONDS);
    System.out.println(result);
}

Если время вышло прерываем задачу:

catch (java.util.concurrent.TimeoutException e) {
    future.cancel(true);
    System.out.println("Операция превысила лимит времени");
}

Не забываем завершить пул потоков:

pool.shutdown();

Теперь любая операция может выполняться с ограничением по времени.

👉 Java Ready | #практика

Выявление мошеннических транзакций с помощью ML!

Детекция мошеннических операций — одна из основных задач финтех-систем. Модель должна оценивать риск транзакции и выявлять подозрительную активность в потоке платежей.

Установка библиотек:

pip install pandas scikit-learn

Будем использовать pandas для работы с данными и scikit-learn для построения модели.

Импорт модулей:

import pandas as pd

from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report

Мы будем использовать пайплайн, который объединяет предобработку и модель — это стандартная практика для воспроизводимости и предотвращения утечек данных.

Пример структуры данных (учебный):

data = pd.DataFrame({
    "amount": [12, 35, 60, 15, 22, 40, 2500, 4200, 5000, 3600],
    "hour": [14, 18, 12, 10, 16, 19, 3, 2, 1, 2],
    "is_foreign": [0, 0, 0, 0, 0, 0, 1, 1, 1, 1],
    "transactions_last_24h": [2, 3, 1, 2, 2, 3, 15, 20, 25, 18],
    "fraud": [0, 0, 0, 0, 0, 0, 1, 1, 1, 1]
})

Признаки отражают типичные сигналы риска: сумма операции, время суток, зарубежная транзакция и активность аккаунта за последние сутки. Целевая переменная fraud показывает, признана ли операция мошеннической.

Разделим данные на признаки и целевую переменную:

X = data.drop(columns=["fraud"])
y = data["fraud"]

Теперь модель будет учиться предсказывать fraud на основе остальных признаков.

Разделим данные на обучающую и тестовую выборки:

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42, stratify=y
)

Стратификация сохраняет долю мошеннических операций в обеих выборках, что особенно важно при дисбалансе классов.

В антифроде логистическая регрессия часто используется как базовая модель: она быстрая, понятная и умеет оценивать вероятность мошенничества. Чтобы учесть дисбаланс классов, зададим веса.

Обучим модель в составе пайплайна:

model = Pipeline(steps=[
    ("scaler", StandardScaler()),
    ("clf", LogisticRegression(max_iter=1000, class_weight="balanced"))
])

model.fit(X_train, y_train)

StandardScaler нормализует числовые признаки, что улучшает сходимость линейных моделей.

Оценка качества модели:

y_pred = model.predict(X_test)
print(classification_report(y_test, y_pred))

Отчёт показывает precision, recall и F1-меру для каждого класса. На малых данных, метрики приведены исключительно в демонстрационных целях.

Пример оценки новой транзакции:

tx = pd.DataFrame([{
    "amount": 3200,
    "hour": 2,
    "is_foreign": 1,
    "transactions_last_24h": 18
}])

risk = model.predict_proba(tx)[0][1]
print("Вероятность мошенничества:", round(risk, 2))

Модель возвращает вероятность fraud, которую можно использовать для принятия решения.

🔥 В настоящих системах такие модели работают в режиме реального времени: вероятность риска влияет на блокировку операции, запрос дополнительной аутентификации или передачу транзакции на ручную проверку.

👉 Java Ready | #практика

📂 Напоминалка по Java Collections Framework!

Например, ArrayList используется для динамических массивов и быстрого доступа по индексу, а HashSet позволяет хранить только уникальные элементы без повторений.

На картинке — иерархия основных интерфейсов и реализаций Java-коллекций. Такая схема помогает быстро вспомнить, какая структура данных подходит для конкретной задачи.

Сохрани, чтобы не забыть!

👉 Java Ready | #ресурс