二维位图通过“用户×行为”正交编码将黑名单拦截从查表降为查位，毫秒级完成亿级判定；其以用户id和商品sku为横轴、设备指纹与时间片为纵轴构建双索引位图，结合user_risk_bitmap与sku_device_bitmap按位与运算实现实时熔断，避免数据库in查询或redis set成员判断在百万qps下的网络延迟、锁竞争与缓存击穿瓶颈。
二维位图不是简单把数据拍平成两层，而是用“用户×行为”或“设备×时间窗”两个正交维度联合编码，让黑名单拦截从“查表”变成“查位”，毫秒级完成亿级判定。
为什么传统黑名单在秒杀里会拖垮系统
单靠数据库 IN 查询或 Redis SET 成员判断，在百万 QPS 秒杀下极易成为瓶颈：每次请求都要远程查一次、网络延迟叠加锁竞争、缓存击穿时直压 DB。更关键的是，它只能回答“这个用户在不在黑名单”，无法区分“这个用户此刻是否正在用黑产设备刷这个商品”。
二维位图的结构设计：两个坐标轴决定一个判定结果
以“用户ID + 商品SKU”为第一维，“设备指纹 + 时间片（如每5分钟）”为第二维，构造双索引位图：
- 横向（用户维度）：用用户ID哈希后映射到位图行号，每行代表一个用户对全量商品的参与资格快照
- 纵向（行为维度）：每列对应一个商品SKU，该位为1表示该用户对该商品已被标记为高风险（如3分钟内重复提交5次、跨设备抢同一SKU）
- 实际存储可拆为两个紧凑位图：user_risk_bitmap（用户级全局风险）+ sku_device_bitmap（商品维度设备聚类），用 AND 运算合并判定
秒杀入口实时拦截：三步完成非法请求熔断
请求到达网关时，不查库、不调服务，仅靠本地内存位图运算：
- 提取请求中的 userId 和 skuId，计算对应位图行列坐标
- 读取 user_risk_bitmap[userId] 行，再与 sku_device_bitmap[skuId] 列做按位与操作
- 若结果非零，说明该用户在该商品上下文中已触发风控规则，直接返回 429 Too Many Requests，不进业务链路
位图如何保持实时与轻量
二维位图不是静态快照，而是带时间衰减的动态结构：
- 使用 Redis Bitmap 的 SETBIT/GETBIT 操作，单次调用耗时 BITOP AND 命令，多维合并无需应用层循环
- 设备指纹由前端 SDK 上报（含 WebGL 渲染特征、Canvas Hash、电池 API 等抗伪造字段），经风控模型打标后写入 sku_device_bitmap
- 用户风险位通过 Flink 实时作业聚合：每30秒滑动窗口统计用户对某SKU的请求频次，超阈值即置位，过期自动清零（用 EXPIRE 控制整张位图生命周期）
