#手机号码��证器 API：提升公司水平的关键 | Explore Tumblr posts and blogs

geekgao · 6 years ago

Text

从 0 到 1 设计互联网风控安全架构

引言

黑产给不少互联网公司带来很大的业务损害。生存在互联网灰色地带的职业羊毛党，他们有组织有纪律维持一套完整产业链，利用一些大型互联网公司的运营规则甚至漏洞，套取各种补贴和奖金，他们少则月收入一两万，多则月赚几十万上百万。圈内有��句经典说法：薅上一天够吃一年。

作为一家互联网公司，线上开展业务面临不少的挑战，我们既要在基础设施层防范传统的黑客攻击，又要在业务层防范黑灰产攻击。本文将介绍和讲解业务层风控安全架构的设计过程。

通常具有一定规模的企业，可能配备了些许安全工程师，亦或是一支相对完整的安全团队，但是可能碍于业务发展阶段，他们只关注（组织目标的设定让其关注）基础设施、网络的安全。在业务上，可能还是由产品研发、运营、客服等各司其职，安全只在代码开发层面到发布交付这一链条上把控，其产品设计与业务策略未被安全流程所重视到。

可能有些公司认为，在安全方向上只应偏向于承担传统的企业安全 KPI，所以涉及设计、生产、运营环节均为被忽略。尽管作为甲方虽然是利益受害者，但是很多组织领导与业务相关个人可能不太理解传统安全与业务安全的的差异，因此也无法很有效的进行风控体系建设，在此简单帮大家梳理一下。

站在传统企业安全角度分析其特点：

IT 资产相对固定

业务变更不频繁

网络边界较为固定

IDC 规模不大

站在互联网业务安全角度分析其特点：

应对业务频繁发布和变更

多种业务分布式架构

在架构层面要求高可用、高性能、灵活的水平扩展能力

多 IDC 海量数据

共同特点：

准确性

即时性

灵活性

高对抗性

针业务安全特点，需要有针对性的设计安全方案，所以是既满足传统企业安全标准，又要符合互联网应用架构的要求。

背景

与业务要求的冲突

作为互联网电商企业，在经营过程中发现，很多黑产行径在事后被发现，但是在事前却缺乏防御手段。由于缺少相关安全设计，以及没有监控预警和相关机制防范黑产，风险敞口通常难以定��，每次营销活动都会有实质性资产损失。目前已知的黑产行径包括：

发垃圾信息

盗用户账户

价格欺诈

未授权的爬虫访问

待解决的问题

公司高管层面决定公司预备资源，加强对风控体系建设的投入。作为负责人，从头开始如何开展相关工作？作为架构师，如何来操盘核心系统架构设计？

解决思路

当明确了与业务要求的冲突后，便可以开展工作计划。从哪里入手，是很棘手的问题，这里笔者给出一种思路：

第一步：着手准备《业务干系人清单》，这个时候可以通过组织结构图来识别。

第二步：联系业务干系人进行访谈，访谈内容偏重于对方业务的 KPI 目标与遭遇到的痛点（最好可以拿到业务损失估值）；对于业务数据也要有所掌握，例如业务日常、大促等特殊时期的 QPS、数据传输量、专线带宽等。

第三步：针对访谈得来的数据，进行汇总计算，制定风控系统的 KPI、预期能帮助公司业务减少的损失预估，目的是为向老板要资源。

与我们安全保障部有直接业务交集的部门如上图，通过梳理关联组织，就可以梳理出各个业务的干系人了。

假设，最终经过上述步骤，老板恩准后，申请得到的资源清单：

研发：3 人

测试：2 人

产品：1 人

运营：1 人（交叉汇报，隶属于客户运营团队）

数据分析：1 人

且不论精兵与否，至少人员岗位配备上而言算是满足基本要求了。万事开头总是难，我们只要不断的提升团队价值，相信就会有美好未来的发展。

对于风控业务开展，可以遵循下面的一般环节：

如图中框起来的几个设计阶段，分为业务方案设计、系统方案设计、系统细节设计、系统验收。

业务方案设计阶段：要求整个项目的操盘人带领产品经理一起梳理、制定业务流程以及涉及到的制度规范和机制，理解业务问题点，并对业务方案进行定稿。

系统方案设计阶段：要求产品经理、架构师结合业务目标完成系统框架设计与功能抽象。

系统细节设计阶段：产品经理需要先完成系统细节方案的所有设计，包括建模、用户与权限设计、界面等。一般在完成了 PRD 评审后，才能进入到实际的技术开发周期中。

系统实施验收：项目操盘人、架构师与产品经理应贯彻验收前的流程，以确保验收可以顺利进行，这个过程通常难免会痛苦烦躁，但是又是考察产出成果的必经之路。系统上线后，还需要产品经理盯紧运营工作，对产生的各类业务数据进行分析。

业务方案设计

业务分析

在此过程，我们需要结合访谈得到了信息，划分出业务领域、分析出业务流程。

划分业务领域：通常有两种方式，即从客户出发或从产品出发。然而有的时候，面对新的制度和新的系统，很少有人能充分理解它的生产过程，尽管他们明白这套制度和系统的长远意义。但是我们的系统想要发挥出应有的价值，那就必须抱有服务精神尊重人性，例如未来接入这套体系的各业务方应是最低学习成本、最小打扰的方式，系统要具备健壮性不会轻易阻断业务方线上业务过程（影响人家 KPI，就是打破人家的饭碗）。虽然不是 toC 的互联网产品，但是也要重视用户的体验，尤其是操作体验、接入体验。

所以我们在划分业务领域的时候，更多的是要站在客户体验的角度来思考产品如何能更好的发挥应有的效果。例如，我们在设计阶段就应考虑到用户操作界面的复杂度、API 设计的友好性、风控 SDK 接入形式、文档丰富程度等。

通过《业务干系人清单》中相关干系人的访谈结果分析，整理出相关的核心业务领域（这很符合 “康威定律”）：

决策引擎系统：风控体系的“大脑”，统一实时/准实时数据汇入、设备识别、风险特征匹配、数据统计等核心流程的运转。

情报系统：通过黑产经常活跃的社交网络、贴吧论坛、黑产 QQ 群等途径获取有价值的线索信息。丰富风控策略、也有利于案件库的积累。

数据监测中心：可通过数据大屏获取准实时的统计数据、风控事件、用户信用状况等信息报表，对业务风险有直观感知。

电审系统：作为重要的运营平台，可以对事件信息进行人工反查以及进一步核对认证，设置处罚状态、查阅操作日志等。

名单库：名单库也就是黑白名单，通过内部积累或其他合作渠道获取到的欺诈行为用户清单，例如手机号、IP 地址、身份证 ID。名单库的建设作为第一道基础防线，可以避免重复欺诈行为的发生。

风险库：风险库一般包括风险标签、敏��词库。通过对风险标签和敏感词库的维护，对抗手段日益变化的欺诈者。

案件库：风险事件处理结果的沉淀形成的资料库。

此阶段抽象出的业务核心流程主干：

业务主干的活动图：

分析业务流程

通常的流程是：识别业务风险点、确定数据源、选择数据、数据清洗、数据转换、分析数据、配置规则与建模。

识别业务风险点，我们需要识别业务可能的风险点，风险点通常在用户交互部分（引用安全圈著名名言：All Input Is Evil!）具体来讲，就是关键业务产生数据的地方，界面中用户表单、入站时的设备信息、GPS 位置、IP 地址等。

确定数据源，我们要收集的客户端数据通常来自不同的业务 Web 页或 APP 端。数据类别一般包括：交易数据、合同或账户数据、行为数据、访问请求数据等。

选择数据，我们需要选择与风险欺诈相关的数据作为整套风控系统的入参。

数据清洗，不排除来自前端数据的伪造和破坏，以及平台差异性或网络导致的数据丢失的现象。

数据转换，转换为风控系统所接受的结构化数据格式。通过相关的服务进行计算。

分析数据，系统输出的数据虽然经过过滤与规则或模型的判断，但依然会有未被规则所识别的异常行为，例如同一个 IP 地址在 5 分钟内访问密码找回页面高达 300 次。所以需要专家经验来分析判定。

配置规则与建模，通过专家分析判定后，修正或补充规则，或训练模型。

事前即风险发生前，我们需要识别业务可能的风险点，风险点通常在用户交互部分（比尔盖茨曰：All Input Is Evil!）具体来讲，就是关键业务界面中用户表单、入站时的设备信息、GPS 位置、IP 地址等。

数据分析

模型质量严重依赖于建模者的实践经验，很多系统分析、软件工程书籍上都有讲授相关技术。在此，不展开篇幅赘述，主要讲一下规则引擎相关的数据模型。

我们以决策引擎为例，构建系统的实体关系前，分析出五张核心表：会话表、设备信息表、设备指纹表、用户信息表、事件表。

会话表负责存储原始的网络请求信息，一般包括来源 IP、Headers、请求参数、时间戳。

设备信息表存储经过处理后的结构化的与设备相关的数据，例如操作系统、浏览器类型、字体列表等浏览器其他参数等。

设备指纹表存储了设备 ID 与设备信息的映射关系。

用户信息表包含了用户账户、用户评分、用户状态、场景、应用 ID 等记录。

事件表包含了应用 ID、设备 ID、用户 ID、事件发生时 IP 地址、UA 信息、事件类型、操作系统类型等记录。

其他的系统的数据模型可以按照对应系统功能逻辑进行设计。

核心系统方案设计（以决策引擎为例）

我们这里提到的决策引擎，是借鉴于基于规则的专家系统，系统采用前向推理的演绎法进行推理，即从一个初始的事实出发，应用既定的规则得出结论（或执行指定的动作），并使用人类能理解的术语解释和证明它的推理结论。

大体上的结构，如图：

规则库：存储各类模拟人类求解问题的规则。一条规则通常表示为：

IF:LHS (left-hand-side), THEN:RHS (right-hand-side)

LHS 包括一个或多个原子条件（又叫模式），条件之间通过 AND、OR 的逻辑关系进行组合。RHS 是满足所有这些条件（即触发规则）后要执行的动作（action）。

通俗点，用自然语言描述，有点像这样：

IF:(转出金额 > 2000 & 转出地址不是常用地址), THEN:(设置风险分值 + 50)

事实集：又叫做工作空间（Working Memory），存储了用于规则匹配的事实，包括初始事实与执行过程中产生的新事实。

推理引擎：将事实与规则相匹配，决定是否触发规则、触发哪些规则以及何时执行动作。推理引擎是规则引擎的核心部分，决定了规则引擎的工作效率。

这里，我们将采用开源的 RedHat Drools 作为规则引擎，以降低开发成本。

这里，我们打算将每条规则作为可计算项，累加分值后作为风险值。这里将 LHS 部分作为业务描述（如：交易时间、交易额、操作系统类型、IP 等字段），例如：

规则1: IF:(转出金额 > 2000 & 转出地址不是常用地址), THEN:(设置风险分值 + 50) 规则2: IF:(浏览器UA不是常见浏览器 || IP地址为异常IP), THEN:(设置风险分值 + 30)

不是所有 LHS 部分都可以取常用业务字段描述，有些字段可能需要进一步预处理与计算（如：用户常用地址、异常请求格式、异常 IP 等）。

实际的业务中，我们需要把上述规则的维护交给用户（即策略运营）。所以要产品经理根据用户操作习惯，构建用户界面。

为了满足源自不同业务的高并发调用和系统产生的大量数据，而且针对关联的各类系统，需要支撑海量数据查询的系统。基于此我们选择业界比较成熟的大数据技术架构方案：

如图所示，我们选型采用了消息中间件 Apache Kafka、关系型数据库 MySQL、高性能内存数据库 AeroSpike、非关系型分布式数据库 Hbase、分布式 NoSQL 数据库 Cassandra、集群运算框架 Spark。关于这些开源技术产品的具体特性，网上有大量的文章可以参考，不再赘述。

当外部业务数据达到我们的体系内（通过 REST API 或 RPC），第一个数据落地点是 Kafka，这么做确保了大量数据与我们核心系统组件（这里指规则引擎）之间的解耦。

Kafka 接收到消息后以消息订阅的方式对规则引擎系统提供数据，数据以不同的 topic 形式进行类型划分，系统用 topic 的形式进行与 Kafka 的消息对接。规则引擎从 Kafka 拉取数据后，将对数据进行预处理，读取 Aerospike 数据缓存中的数据，对时间窗口内相同的规则请求缓存后返回，降低计算时间开销，提升系统的计算性能。

当在决策引擎界面中 CRUD 规则或设置其他系统选项参数时，将规则、参数相关的数据存储到 MySQL 中，由于 MySQL 历史悠久且成熟，这种方式系统基础部分维护成本最低。

由于对业务数据需要进行大量的高速聚合计算，所以选择 HBase 进行的存储。通过 Spark 技术，例如 Spark Streamming 我们可以构建数据计算服务，进行实时/准实时流式处理，计算后的结果将被存储到结果库，我们这里采用 Cassandra 数据库，利用良好的吞吐能力和高度可扩展性，这样扛住大量的数据读写操作。

风险数据的查询，可通过 AeroSpike 查询的结果缓存。缓存未命中则读取 Cassandra 结果表。

由以上这些主流的技术构建数据 pipelines 确保技术复杂度可控、维护成本可控。

总结

很多诸如系统设计原则、高可用技术等概念等没有被涵盖进来，限于篇幅和主题，文章写得比较浅，只能挑风控安全架构的重点来讲。还请读者见谅。

0 notes

einverne · 7 years ago

Link

这里记录过去一周，我看到的值得分享的东西，每周五发布。

（题图：浦东滨江，上海，2018。）

Hacker News 上面，有人问："新人进入软件行业，应该学什么？"

很多热心人提供建议。有人说：

"你应该好好学习一门语言。精通一门计算机语言，可以让年轻工程师脱颖而出。这不仅对日常工作很有帮助，也有利于以后学习其他语言。学习的东西包括：设计模式、调试、性能、生态系统、标准库等等。"

立刻有人提出相反的建议。

"我建议学习几种彼此非常不同的语言。例如 Java，Go 和 JavaScript。你要学到精通其中每一种语言，能够独立地从头搭建一个新项目，在该语言的生态系统中完成所有开发工作。"

有人举出几种必须掌握的工具。

学习 SQL，你将能够使用任何与数据库相关的软件。学习 HTML，你将能够创建一个通用的用户界面。学习 GIT，你将能够与他人分享您的工作。学习 Unix shell，你将能够部署所有的东西。

不少人赞同这种说法。

"大多数职业（从医生到电工），多年的经验等同于多年的专业知识。但是在软件开发中，技术变化如此之快，你花费了大量时间学习技术和工具，一旦这些技术被取代，你的知识将变得毫无价值，因为它们大部分都是实施的细节。最终，所有这些年，你确实积累了一些一般性的经验，但与具体实施相关的知识，你都不再掌握了。

唯一留下的是那些基本的东西，你应该专注于软件开发的核心知识和数学知识，您的这些技能会不断增长，而不是随着技术潮流的变化而消失。"

我最喜欢的是下面这个建议。

"不要让自己太忙碌。不过，说起来容易做起来难。

我们雇用新毕业的工程师时，会派给他们很多琐碎的工作，使他们饱和。他们会逐渐忘记大学里学到的课程，全部注意力都集中在手头的工作。很多人倾向于通过忙碌程度来评价自己，我相信这是一个死亡陷阱。"

新闻

1、3D 金属打印

以前的 3D 打印，一般都使用塑料。今年，3D 金属打印机问世了，可以用金属打印零件，生成更轻、更坚固、更复杂的形状，而且成本更低、速度更快。这为复杂的金属模具和金属部件的生产带来了前所未有的便利。以后再不担心老机��的零件停产了，只要把老零件扫描一下，原样打印可以了。

目前，3D 金属打印机的价格不到10万美元。

2、人工胚胎

英国剑桥大学的胚胎学家，只使用干细胞就培育出了一个小鼠胚胎。这里的神奇之处在于，这个胚胎没有使用卵子，也没有使用精子，只是一个普通细胞培育出来的。这意味着，只要一个普通的细胞就能创造出生命。

3、传感器城市

多伦多正在开展一个智能城市项目，在城市中安装各种类型的传感器，收集空气质量、噪声、人们活动的所有数据。所有数据将开放出来，允许第三方公司在上面开发服务。

以后的城市不仅将布满摄像探头，而且布满传感器。

4、植物人评估

植物人能不能醒来？中国科学院和中国人民解放军总医院开发了一个人工智能系统，评估病人醒来的机会，据说准确率达到90%。

一名19岁的植物人，昏迷六个月，七个神经科医生评估以后，给出了23分中的7分，这意味着他的家人可以合法拔管。但是这个系统评估脑部扫描结果后，给出了23分中的20分。结果，该青年在12个月内醒来。

5、电动滑板车

越来越多的人使用电动滑板或电动滑板车，受伤的案例不断增加。鼻子、手腕和肩膀骨折、面部裂伤是常见情况，最糟糕时，摔到头部，会导致大脑永久性受损。加州的一家医院在7月的最后两周，治疗了18名在电动滑板车事故中受重伤的病人。旧金山的一家大医院的急诊室医生说，他每周看到多达10起重伤。

加州正准备立法，要求使用电动滑板车之前，用户必须接受安全培训，而且在使用时，必须戴头盔。

6、动物的对称性

动物几乎都是对称的，左边的四肢与右边一样，这是怎么产生的？

澳大利亚莫纳什大学的生物学家，开展了一项试验。他们在小鼠胚胎的左后腿，注射了一种限制腿部生长的细胞，使得一条腿生长得比另一条腿慢。结果发现，那条长得慢的腿会发出信号，通知其余组织（包括另一条后腿），以减缓它们的生长。直到受阻的肢体赶上正常生长的腿，才会重新恢复均匀的生长。

7、3D 场景的天气预报

美国的气象频道采用 3D 模拟视频，播放天气预报。

主持人在绿幕前录制天气预报，后面的背景用游戏引擎 Unreal Engine 4 生成。电视台将风速、方向、降雨量和无数气象数据输入系统，生成 3D渲染图，以提供准确的可视化效果。看完视频，我觉��以后电视剧也可以这样拍。

8、自行车骑得最快的人

美国一个45岁的女自行车手 Denise Mueller-Korenek，骑出了每小时295公里（183.932英里/小时）的世界记录，成为世界上骑得最快的人。

她必须躲在拖车牵引的整流罩里面，防止这种速度产生的巨大风阻。而且，前1.5公里是拖车拉动前进的，以便产生150公里/小时左右的初速度。

9、一句话新闻

加州宣布，2045年淘汰所有化石能源，电力来源都不含碳。

特斯拉宣布，今年年底，电池的成本有望降到100美元/千瓦时。目前，顶配的特斯拉汽车是100千万时的电池，这意味着，电动汽车的成本有望显著降低。

中国在物理、工程、数学方面发表的论文数量，已经成为了世界第一。有研究称，中国学者参与的论文占到全球论文的三分之一。不过在质量上（引用次数）还是不行，落后美国较多。

中国财政部消息，7月份全国彩票销售额546亿元，同比增长61.9%，1-7月合计增长25.6%。去年��期的增长率只有4.2%，今年的彩票销售这么好，不知道跟经济下行有多大关系。

数据分析师课程

本期《每周分享》很高兴得到了优达学城（Udacity）的支持。优达学城是国际著名的在线教育平台，中国区对课程进行汉化，并提供中文服务。

今天给大家推荐的，就是他们的《数据分析师》系列课程。数据科学家是现在最热门的领域，人才缺口极大，就业行情非常好。这个系列课程分成《数据分析（入门）》和《数据分析（进阶）》两个级别。

入门课帮助初学者进入这个领域，通过3个月的时间，让你学会 Python 和 SQL 两大主流数据分析工具，掌握数据清洗、探索性分析、可视化等基础分析技能，并且辅导你做完"空气质量分析"、"气候是否变暖"、"网站用户行为分析"等5个实战项目。

进阶课适合有一定数学、Python、SQL 基础的学员，帮助大家成为一个真正的数据工程师。它也是3个月时间，教授高级的数据分析和统计方法，完成4个可以用于生产环境的真实项目。

你可能不确定它们是否适合自己，优达学城为此提供了299元的"七天试学班"。你可以在七天里面，体验所有服务，并且在助教指导下，自己动手完成第一个项目。到期后，如果想继续学，再缴纳其余的学费。下面是前几期课程的学员评价摘录。

扫码下面��报里面的二维码，就可获取详细的课程大纲，或者咨询课程，进行选课自测。

教程

1、 <input> 元素的三个属性（英文）

HTML 网页的 <input> 元素有几十个属性，本文介绍其中三个开发者比较不熟悉的属性。

2、Cloudflare worker 的一个使用实例（英文）

这篇文章很容易懂，解释怎么使用 serverless 服务，修改 HTTP 回应。这个服务看起来很好用，缺点好像是只有使用 Cloudflare CDN 的网站才能用。

3、为什么技术有利于暴政？（英文）

《人类简史》的作者尤瓦尔·赫拉利的最新文章。他提出，人工智能有利于政府，可以将权力集中在少数精英手里。唯一可能的解决方法，是寻找分布式的技术方案，防止资源的集中。

4、命令行脚本的运行原理（英文）

脚本的第一行为什么以 #! 开头？Shell 内部又是如何处理脚本的？

5、Presentation API（英文）

Chrome 66 支持 Presentation API，这个 API 允许浏览器定制投射到第二块屏幕的内容，使用脚本进行控制。

5、跨站点请求的七种情况（英文）

网页可以向第三方站点发出请求，这是 CSRF 攻击的主要原因。这篇文章总结了可能发出第三方请求的七种情况。

6、网络协议入门（英文）

本文从协议设计的顶层角度，总体上解释互联网协议的设计思想。

7、为什么 GraphQL 可以取代 Redux？（英文）

本文解释了 Redux 想要解决的问题，而 GraphQL 可以解决同样的问题。但是，该文没有给出细节。

8、DNS over TLS 的 Node 客户端（英文）

为了提高安全性，防止监听，DNS 查询已经可以在 HTTPS 协议上完成。这篇文章教你怎么写一个 Node 客户端，获取 DNS 信息。

9、戴维·霍夫曼的人生（英文）

本文介绍著名的压缩算法霍夫曼编码的发明人戴维·霍夫曼的故事。

10、V8 引擎十周年回顾（英文）

本文是 V8 官方团队写的历史回顾，介绍 V8 每一年在技术上的突破。

资源

1、SQL 开源教程（英文）

这是一本互动书籍，免费，帮助读者了解如何使用 SQL 对数据集运行查询。

2、谷歌数据集搜索

大数据研究需要数据集，谷歌推出数据集搜索，根据关键词找出相关的数据集。

3、谷歌放弃的产品

谷歌推出了很多产品，许多后来都放弃了。这个网页列出所有被谷歌放弃的产品，目前有70个。

4、东京防灾手册

遇到灾难（地震、洪水、大雪等等）怎么办？东京市政府编写的免费电子书，这里是简体中文版的下载。

5、代码行数的可视化

本文给出一个可视化展示，比较不同软件的代码行数。

工具

1、nodebook

一般情况下，Node REPL 环境只能在命令行使用。这个工具起了一个服务，让你在浏览器里就能使用 REPL 环境。

2、Kitty

一个使用 GPU 进行渲染的终端模拟器。理论上，视觉效果将非常顺滑，尤其是长文本滚动和窗口切换。

3、mdwiki

一个前端脚本，将 Markdown 文件自动转成静态网站。

4、PixelPin

谁说密码一定是字符？这个网站的密码是图片。图片密码有两种用法，一种用法是上传��张图片作为密码，另一种是给定一张图片，你在上面点击几个只有自己知道的位置。

5、react-proto

React 应用的原型设计工具。

6、reminiscence

一个架设在本地的网络书签管理系统，会自动抓取书签内容，并生成标签和摘要，使用 django 框架开发。

7、xsv

一个快速、强大的 CSV 文件的命令行处理工具，使用 Rust 语言开发。

8、Hacklily

一个在线编写五线谱的工具，可以实时听到编写的旋律。

9、LiteraryClockScreenSaver

Mac 的屏保程序，会显示一段文学作品的段落，里面包含了当前时间。

文摘

1、地图如何显示道路的��度？

有些城市位于山地，平面地图无法显示道路的坡度。

设计师希望，地图能够显示道路的倾斜方向和倾斜程度，最初的想法是加上方向箭头。

箭头太不直观，于是改成三角形。

三角形的含义还是不清晰，考虑改成3D。不同的颜色表示不同的坡度。

下面是最后的成品。

2、蟑螂工厂

山东省济南市章丘区，一家食品垃圾回收厂接收了当地餐馆和食堂送来的大量剩饭剩菜，然后使用蟑螂进行无害化处理。剩饭剩菜通过管道注入玻璃容器中，被数百万只蟑螂吞噬。

对于大多数人来说，蟑螂是传播病毒和污染食物的害虫。但是，济南的技术人员李延荣花了数年时间研究蟑螂后，成功地将它们变成了食品回收工具。

在回收工厂，蟑螂每天食用15吨食物垃圾，占章丘餐厅和食堂产生的食物垃圾的三分之一以上。以前，大部分食物垃圾都会填埋，导致出现环境问题。现在，蟑螂可以分解废物，留下很少的残留物。蟑螂死后，它们的身体具有高蛋白质和氮化合物，将被制成蟑螂粉，用作动物饲料的蛋白质来源。

回收工厂同时也是蟑螂养殖基地。养殖人员表示，由于蟑螂的恢复能力和快速繁殖能力，蟑螂的数量呈指数级增长。2014年，工厂只有400公斤的蟑螂。 2015年，这一数字飙升至4吨，而今年预计将在这里生产超过3,000吨的蟑螂。

2008年，李延荣开始研究蟑螂。他读到，昆虫（包括蟑螂）是高蛋白质的营养食品的来源。曾经在济南一家回收公司工作的李延荣很快就有了养蟑螂的想法。他发现山东已有几家蟑螂养殖场为医药公司提供原料，但是成本高昂，因为他们使用谷物喂食蟑螂，每吨蟑螂的繁殖成本可达1万元人民币（1,527美元）。然而，零售价有时只有几十元一公斤。

章丘环境卫生中心主任安峰告诉李延荣，处理食物垃圾非常困难。垃圾填埋后，食物垃圾会污染地下水，给居民带来健康问题。李延荣很自然想到，那么为什么不用食物垃圾喂蟑螂呢？

为了测试蟑螂的饮食习惯，李延荣开始给蟑螂喂食各种食物 -- 辛辣的，酸的，甚至腐烂的。事实证明，蟑螂根本没有味觉或气味。它们还具有强大的免疫系统，可以消化几乎任何东西。他还对蟑螂粉进行了测试，发现用蟑螂粉喂养的鸡不仅更健康，而且比正常鸡更强壮，更快。鸡蛋也有较厚的壳。

在他研究蟑螂的三年中，李申请了30多项专利，其中两项获得批准。 2014年，他找到了安峰，并询问环境卫生中心是否可以免费为他提供食品垃圾。政府很高兴这样做，因为它是垃圾填埋场的更好替代品。2015年底，李延荣辞去了工作，开办了自己的公司，全身心地投入到蟑螂和回收工厂。

本周图片

1、1985年的数据可视化