内容导航：
一、仅需1 Embedding参数，成本降低百倍，开源单GPU训练超大推荐模型
机器之心发布
机器之心编辑部
深度推荐模型（DLRMs）已经成为深度学习在互联网公司应用的最重要技术场景，如视频推荐、购物搜索、广告推送等流量变现业务，极大改善了用户体验和业务商业价值。但海量的用户和业务数据，频繁地迭代更新需求，以及高昂的训练成本，都对
DLRM 训练提出了严峻挑战。
在 DLRM 中，需要先在嵌入表（EmbeddingBags）中进行查表（lookup），再完成下游计算。嵌入表常常贡献 DLRM 中 99%
以上的内存需求，却只贡献 1% 的计算量。借助于 GPU 片上高速内存（High Bandwidth Memory）和强大算力的帮助，GPU 成为 DLRM
训练的主流硬件。但是，随着推荐系统研究的深入，日益增长的嵌入表大小和有限的 GPU 显存形成显著矛盾。如何让利用 GPU 高效训练超大 DLRM
模型，同时突破 GPU 内存墙的限制，已成为 DLRM 领域亟待解决的关键问题。
Colossal-AI此前已成功利用异构策略将相同硬件上训练NLP模型的参数容量提升上百倍，近期成功将其拓展到推荐系统中，通过软件缓存（Cache）方法在
CPU 和 GPU 内存中动态存储嵌入表。基于软件 Cache 设计，Colossal-AI 还添加流水预取，通过观察未来即将输入的训练数据，降低软件
Cache 检索和数据移动开销。同时，它以同步更新方式在 GPU 上训练整个 DLRM 模型，结合广泛使用的混合并行训练方法，可以扩展到多个
GPU。实验表明， Colossal-AI 仅需在 GPU 中保留 1% 的嵌入参数，仍能保持优秀的端到端训练速度。相比 PyTorch
其他方案，显存需求降低一个数量级，单块显卡即可训练 TB 级推荐模型。成本优势显著，例如仅需 5GB 显存即可训练占据 91GB 空间 Embedding
Bag 的 DLRM，训练硬件成本从两张约 20 万元的 A100，降低百倍至仅需 2000 元左右的 RTX 3050 等入门级显卡。
开源地址：/hpcaitech/ColossalAI
现有的嵌入表扩展技术
嵌入表将离散的整型特征映射成连续的浮点特征向量，下图展示了 DLRM 中的嵌入表训练过程。首先，在嵌入表中对每个特征查找 Embedding Table
对应的行，然后通过规约操作，比如 max，mean, sum 操作，变成一个特征向量，传递给后续的稠密神经网络。可见，DLRM
的嵌入表训练过程主要是不规则的内存访问操作，因此严重受限于硬件访存速度。
而工业级 DLRM 的嵌入表可能达到数百 GB 甚至 TB 级别，远超单 GPU 最高数十 GB 的显存容量。突破单 GPU 的内存墙来增大 DLRM
的嵌入表规模有很多方法。根据下图展示的 GPU 集群的内存层级图为例，让我们来分析几种常见方案的优劣。
GPU 模型并行： 将嵌入表切分后分布在多个 GPU 的内存中，训练中通过 GPU
之间互联网络同步中间结果。这种方式的缺点首先是嵌入表切分负载并不均匀，扩展性问题难以解决。其次，增加 GPU 的前期硬件成本大，而且 DLRM 训练时
GPU 的计算能力并没有被充分利用，而是仅仅利用了它的 HBM 带宽优势，导致 GPU 使用率不高。
CPU 部分训练： 将嵌入表分割成两部分，一部分在 GPU 上训练，另一部分在 CPU 上训练。通过利用数据分布的长尾效应，我们可以让 CPU
计算比例尽可能少，让 GPU 计算比例尽可能大。但是，随着 batch size 增大，让 mini-batch 的数据全部命中 CPU 或者 GPU
很困难，如果同时命中 CPU 或 GPU 这种方法很难处理。另外，由于 DDR 带宽和 HBM 相差一个数据量级，即使 10% 的输入数据在 CPU
上训练，整个系统也会有至少一半速度下降。此外，CPU 和 GPU
需要传输中间结果，这也有不小的通信开销，进一步拖慢训练速度。因此，研究人员设计了异步更新等方式来避免这些性能缺陷，但是异步方式会造成训练结果的不确定性，在实践中并不是算法工程师的首选方案。
软件 Cache： 保证训练全部在 GPU 上进行，嵌入表存在 CPU 和 GPU 组成的异构空间中，每次通过软件 Cache
方式，将需要的部分换入 GPU。这种方式可以廉价扩展存储资源，满足嵌入表不断增大的需求。而且，相比使用 CPU 来计算，这种方式的整个训练过程完全在 GPU
上完成，充分利用 HBM 带宽优势。但 Cache 的查询、数据移动会带来额外性能损耗。
目前已经有一些针对嵌入表优秀的软件 Cache 方案实现，但是它们往往使用定制的 EmbeddingBags Kernel 实现，比如
fbgemm，或者借助第三方深度学习框架。 而 Colossal-AI 在原生 PyTorch 基础上不做任何 Kernel
层次改动，提供了一套开箱用的软件 Cache EmbeddingBags 实现，还进一步针对 DLRM 训练流程进行优化，提出预取流水来进一步降低
Cache 开销。
Memory Hierarchy
Colossal-AI 的嵌入表软件 Cache
Colossal-AI 实现了一个软件 Cache 并封装成 提供给用户在自己模型中使用。DLRM 的嵌入表，一般是由多个 Embedding 组成的
EmbeddingBags，驻留在 CPU 内存中。这部分内存空间被命名为 CPU Weight。而 EmbeddingBags 一小部分数据存储在 GPU
内存中，它包括即将被训练用到的数据。这部分内存空间被命名为 CUDA Cached Weight。在 DLRM 训练期间，首先需要确定本次迭代输入
mini-batch 的数据所对应嵌入表的行，如果有的行不在 GPU 中，需要将它们从 CPU Weight 传输到 CUDA Cached Weight
中。如果 GPU 中没有足够的空间，它会使用 LFU 算法，根据访问缓存的历史频率来淘汰被使用最少数据。
为了实现 Cache 的检索，需要一些辅助数据结构帮忙：cached_idx_map 是一维数组，存储 CPU Weight 中行号和 CUDA
Cached Weight 的行号对应关系，以及对应行在 GPU 被访问的频率信息。CUDA Cached Weight 大小与 CPU Weight
大小的比值命名为 cache_ratio，默认为 1.0%。
Cache 在每个迭代 forward 之前运行，以调整 CUDA Weight 中的数据，具体来说分三个步骤。
Step1：CPU 索引： 检索 CPU Weight 中需要被 Cache 的行号
它需要对输入 mini-batch 的 input_ids 和 cached_idx_map 取交集，找到 CPU Weight 中需要从 CPU 移动到
GPU 的行号。
Step2：GPU 索引： 根据使用频率找到 CUDA Weight 中可以被驱逐的行
这需要我们根据频率以从低到高顺序，对 cache_idx_map 和 input_ids 取差集合之后的部分进行 top-k（取最大值 k 个数）操作。
Step3：数据搬运：
将 CUDA Cached Weight 中的对应行移动到 CPU Weight 中，然后将 CPU Weight 中的对应行移动到 CUDA Weight
中。
数据传输模块负责 CUDA Cached Weight 和 CPU Weight 之间的数据双向传输。不同于低效的逐行传输，它采用先缓存再集中传输方式来提升
PCI-e 的带宽利用率。分散在内存中的嵌入行在源设备的本地内存中集中为连续的数据块，然后块在 CPU 和 GPU
之间传输，并分散到目标内存的相应位置。以块为单位移动数据可以提高 PCI-e 带宽利用率，merge 和 scatter 操作只涉及 CPU 和 GPU
的片上内存访问，因此开销并不是很大。
Colossal-AI 用一个尺寸受限的缓冲区来传输 CPU 和 GPU 之间数据。在最坏的情况下，所有输入 id 都未命中缓存
cache，那就需要需要传输大量元素。为了防止缓冲区占用过多内存，缓冲区大小被严格限制。如果传输的数据大于缓冲区，会分为多次完成传输。
Cached EmbeddingBag Workflow
软件 Cache 性能分析
上述 Cache Step1 和 Step2 的操作都是访存密集的。因此为了能利用 GPU 的 HBM 的带宽，它们是在 GPU
上运行的，并使用深度学习框架封装好的 API 来实现。尽管如此，与嵌入表在 GPU 上的训练操作相比，Cache 操作的开销尤为突出。
比如在一次总计 199 秒训练任务中，Cache 操作的开销为 99 秒，占比总计算时间接近 50% 。经过分析，Cache 的主要开销主要是
Step1 和 Step2 引起。下图 base 位置展示了此时的 Cache 开销时间分解，Cache 的 step1,2 红色和橙色两阶段占 Cache
总开销的 70%。
Cache 操作的时间分解
而上述问题的原因，是因为传统的 Cache 策略有些“短视”，只能根据当前 mini-batch 情况调整 Cache，因此大部分时间浪费在查询操作上。
Cache 流水预取
为了缩减 Cache 的开销，Colossal-AI 设计了一套 “高瞻远瞩” 的 Cache 机制。与其只对前 mini-batch 进行
Cache 操作，Colossal-AI 预取后续将会被使用的若干 mini-batch，统一进行 Cache 查询操作。
如下图所示，Colossal-AI 使用预取来合并多个 mini-batch 数据统一进行 Cache
操作，同时采用流水线方式来重叠数据读取和计算的开销。例子中预取 mini-batch 数量是 2。在开始训练前，先从磁盘读取 mini-batch 0,1
数据到 GPU 内存，随后开始 Cache 操作，然后执行这两个 mini-batch 的正、反向传播和参数更新。与此同时，可以和对 mini-batch
2，3 的开始数据读取，这部分开销可以和计算重叠。
和 baseline Cache 执行方式相比，图【Cache 操作的时间分解】对比了 prefetch 8 个 mini-batch 和 baseline
的 Cache 时间分解。训练总时间从 201 秒下降到 120 秒，图中所示的 Cache 阶段操作时间占比也显著下降。可以看到和每个 mini-
batch 独立进行 Cache 操作相比，各部分时间都减少了，尤其是 Cache 的前两步操作。
总结起来，Cache 流水预取带来两个好处。
a.摊薄 Cache 索引开销
预取最显而易见的好处是减少了 Step1 和 Step2 的开销，使这个两步操作在总的训练过程占比小于 5%。如【Cache 操作的时间分解】所示，通过预取
8 个 mini-batch 数据，和没有预取的 baseline 相比，Cache 查询的开销显著降低。
b.增加 CPU-GPU 数据移动带宽
通过集中更多数据，提升数据传输粒度，从而充分利用 CPU-GPU 传输带宽。对于上面例子，CUDA->CPU 带宽从 860MB/s 提升到 1477
MB/s，CPU->CUDA 带宽从 1257 MB/s 提升到 2415 MB/s，几乎带来了近一倍的性能增益。
便捷使用
和 Pytorch EmbeddingBag 用法一致，在构建推荐模型时，仅需如下数行代码进行初始化，即可大幅提升嵌入表容纳量，低成本实现 TB
级超大推荐模型训练。
Bashfrom _embedding import CachedEmbeddingBagemb_module = CachedEmbeddingBag( num_embeddings=num_embeddings, embedding_dim=embedding_dim, mode=sum include_last_offset=True, sparse=True, _weight=(num_embeddings, embedding_dim), warmup_ratio=0.7, cache_ratio = 0.01, )
性能测试
在 NVIDIA A100 GPU （80GB）和 AMD EPYC 7543 32-Core Processor
(512GB)硬件平台上，Colossal-AI 以 Meta 的 DLRM 模型作为测试目标，用超大数据集 Cretio 1TB 和 Meta 的
dlrm_datasets 生成数据集作为测试模型。实验中采用将嵌入表全部存储 GPU 上的 PyTorch 训练速度作为 baseline。
Cretio 1TB
Cretio 1TB嵌入表总共 行，设置 embedding dim=128，其嵌入表内存需求 91.10 GB。想把 EmbeddingBags
全部存储在单个 GPU 内存中，即使是最高端的英伟达 A100 80GB 也无法满足其内存需求。
但使用 Colossal-AI 仍然在单 GPU 上完成训练，当 cache ratio=0.05，显存消耗仅为 5.01 GB，直接降低约 18
倍，可进一步扩展到在单张 GPU 上实现 TB 级推荐系统模型的训练。在训练速度上，如下图所示，展示了不同 batch size 下训练 100M
个样本的延迟。绿色 Prefetch4 是不使用预取，蓝色 Prefetch8 是使用预取（prefetch mini-
batch=8）的延迟，可见预取流水优化对整体性能提升发挥了重要作用。图中每个柱子深色部分为 Cache 开销，使用预取后，Cache
开销控制在训练总时间的 15% 范围内。
多 GPU 扩展性
用 8192 作为全局 batch size，在 8 张 GPU 卡上使用 table-wise sharding 作为 EmbeddingBags
并行方式训练 DLRM，训练 100M samples。此时设置 Prefetch 大小为 4，ColossalAI-mem-cr0.05 是 cache
ratio=0.05，ColossalAI-mem-cr0.5=0.5。下图展示了不同 GPU 情况下的训练延迟。除了 1 GPU 时 PyTorch
OOM 无法训练之外，其余情况 PyTorch 和 Colossal-AI 训练时间类似。可以观察到使用 4 和 8 GPU
并没有带来明显性能提升，这是因为，1. 同步结果需要通信开销巨大。2. table-wise sharding 会导致切分负载不均衡。也说明使用多 GPU
来扩展 embedding table 训练扩展性并不是很好。
下图展示了显存使用，显存使用在不同卡上并不相同，这里展示最大显存数值。 在仅使用一张 GPU 时，只有 Colossal-AI 的软件 Cache
方法可以训练，多卡并行的占用内存也显著减少数倍。
Meta Research 的合成数据集 dlrm_datasets
模仿了工业界嵌入表的训练访问行为，因此常在研究中作为推荐系统相关的软硬件设计的测试参考。选取其中的 5 亿行嵌入表项的作为子数据集，构造 256GB 和
128GB 大小的两个 EmbeddingBags 用于测试。
PyTorch 由于显存内存不足无法在单卡 A100 上训练。作为对比, Colossal-AI 的软件 cache 将显著降低 GPU
内存需求，足以训练大至 256GB 的嵌入表，并可进一步扩展至 TB 级别。而且，流水预取也能体现出加速效果，当预取数为 32 时，相比没有预取总时间下降
60%，而且对 GPU 的存储的需求却没有增大。
One More Thing
面向大模型时代的通用深度学习系统 Colossal-
AI，通过多项自研领先技术如高效多维自动并行、异构内存管理、大规模优化库、自适应任务调度等实现高效快速部署 AI 大模型训练和推理，降低 AI
大模型应用成本。
Colossal-AI 相关解决方案已成功在自动驾驶、云计算、零售、医药、芯片等行业知名厂商落地应用，广受好评。
Colossal-AI 注重开源社区建设，提供中文教程，开放用户社群及论坛，对于用户反馈进行高效交流与迭代更新，不断添加
PaLM、AlphaFold、OPT 等前沿应用。
自然开源以来，Colossal-AI 已经多次在 GitHub 及 Papers With Code 热榜位列世界第一，与众多已有数万 star
的明星开源项目一起受到海内外关注！
项目开源地址：/hpcaitech/ColossalAI
参考链接：
[1] /blog/dlrm-an-advanced-open-source-deep-learning-recommendation-model/
[2] /@yangyou_berkeley/embedding-training-with-1-gpu-memory-and-10-times-
less-budget-an-open-source-solution-for-6b4c3aba07a8
二、信用卡代还灰色产业链：有人离场，有人仍逆风作案
信用卡代还灰色产业链：有人离场，有人仍逆风作案
“中间商”萌生退意，智能代还App关停。长期处于灰色地带的信用卡代还市场，正在遭遇“围堵封杀”。和“圈内”不少奔着“挣钱”目的而来，却最终因“无利可图”而离场的多数人一样，入行6年的任俊（化名）见证了信用卡代还产业链的风起，也亲历了行业的黯淡。
压死骆驼的最后一根稻草是“颗粒无收”，在苦熬了两个月之后，任俊决定另谋出路。多方围堵之下，信用卡智能代还App的前景也不容乐观，要么停摆、要么下线，生命周期超过3年的也是寥寥无几。
寒冬之下，光环已经褪去，不过也不乏顶风作案的人，他们依旧无视监管、炮制智能代还App，通过“裂变”营销拉人头获客，在违规边缘反复试探。
“中间商”下场逃离
如今，信用卡代还越来越难做了。
任俊是一位信用卡代还“中间商”，6年前他发现人们的消费观念已经产生了变化，预借现金、信用卡分期付款、循环信贷越来越受到年轻人的喜爱。当时任俊便意识到这行“有利可图”，果断入场走上了挣钱之路。
2017年、2018年、2019年这三年，任俊尝到了不少甜头，由于之前做POS机代理商的工作经历，让他积攒了不少人脉。“做业务初期我收的费率不高，人们都愿意找我做代还，老客户再推荐新客户，资源就慢慢多了起来。”生意好的时候，任俊一天仅靠代还就能挣上千元。
“中间商”从中操作的信用卡代还模式并没有统一标准，通常为：先向持卡人收取一部分手续费，然后向持卡人提供需要还款的资金，待持卡人进行还款后再通过套现的方式将资金取出，还给“中间商”，经过这一操作，在账单日到期后，持卡人就免除了当期逾期的压力。
这些“中间商”的身份也大多为个人，还款资金来源也多为自有资金。
薄利多销是从业人士对信用卡代还的评价，然而，这一业务的“钱景”并没有任俊想的一帆风顺。今年以来，监管多次警示持卡人代还过程中可能存在的风险，银行也纷纷“出手”限制非本人还款、对信用卡还款通道风控手段进行升级，多措并举也让信用卡代还遭遇了不小的冲击。
“即使我把费率压到了4%也没有人来做代还业务。”这一现状也让任俊萌生了退意，他决定另谋出路。“信用卡代还有客户来就做，没有客户就这样吧。”他说道。
“赚钱效应”不再，已经入场的“中间商”纷纷退出。在调查过程中，北京商报记者注意到，半年之前较为活跃的信用卡代还“中间商”已有不少人“失联”，还在做信用卡代还的人中，有一部分人表示，只接受当地业务，需要面对面办理，收取的费率在还款总额的4%-5%左右。还有一些人则表示，已经不做信用卡代还，如果有相关需求帮忙牵线对接。
博通分析金融行业资深分析师王蓬博指出，“中间商”动力不足的原因在于业务减少，利润降低，和整个行业大环境有关。信用卡代还存在巨大的风险隐患，比如容易导致持卡人资金受损、个人信息泄露，还容易让持卡人养成不良的超前消费习惯，而且信用卡代还往往容易和跑分、洗钱有瓜葛。
多个智能代还App关停
一直以来，信用卡代还市场就处于灰色地带，寒冬来临亦在预料之中。
线下“中间商”展业冷清，线上智能代还App被迫主动关停也成为常态。北京商报记者梳理发现，近期，已有包括掌贤宝、中盈生活、宝贝支付、双付天下等在内的数十家智能代还App均暂停了业务，在应用程序中也查询不到相关软件信息。
这一波“关停潮”在意料之外，也在情理之中。智能代还App对接人刘利（化名）在10月中旬就关注到有部分平台开始陆续暂停业务，而造成这一情况的原因是，最近诈骗分子猖獗，利用刷卡功能诈骗持卡人资金，所以导致十几家平台被查。
在圈里多年之久的刘利深谙信用卡代还市场的灰色产业链，也懂得平台都“活不长”的道理。
“在这个圈子里被查掉的App有很多，这属于正常范围，没有平台能活一辈子。就算不被查智能代还App也没有几年‘寿命’，基本两三年左右就要跑路，然后再改名重来，行业人都懂。”刘利说道。
对于数十家智能代还App被关停的原因，也有知情人士称，“由于支付通道被限制”。
事实上，信用卡代还早已受到关注。2019年11月，银联下发《关于开展收单机构信用卡违规代还专项规范工作的通知》表示，信用卡违规代还的特点包括但不限于特定应用程序、移动支付App利用信用卡账单日和还款日时间差，通过违规存储持卡人支付关键信息、系统自动化发起虚构交易，以较小的金额进行特定或不定期循环还款。银联指出，此种违规业务极易引发持卡人支付信息泄露、资金损失等重大风险，甚至引起恶性案件。
在银联发文后不久，就有一大批“网红”智能代还App被关停，也有一些智能代还App因诈骗、非法经营等缘由被警方调查，遭致下架。
东风来得快，去得也快。诞生之初，信用卡智能代还曾被认为是行业的一片蓝海，为何如今却变得如此落寞，究其原因就是代还业务中的循环还款模式。从具体的操作流程来看，当前信用卡智能代还App的主要模式为，当临近账单日，持卡人无足够资金还款时，只需要在信用卡里预留5%左右的额度就可以进行代还操作。以1万元信用卡账单为例，持卡人在信用卡里留500元，然后通过智能代还App来回腾挪20次就可以将这笔账单还清。
北京寻真律师事务所律师王德悦指出，代还平台通过伪造消费场景，利用信用卡账单日和还款日时间差，将剩余额度套现出来偿还信用卡账单，每次套取现金后再存入信用卡偿还部分欠款，这是一种违法行为。
王蓬博也持有同样看法，他指出，信用卡代还最主要的危害是可能导致银行信用卡端信用的多重累积，而这些积累都可能对应的是虚拟的消费场景，这就会对以信用为基础的信用卡业务长远发展造成不良影响。
此类模式也容易滋生出信用卡违规套现“黑产”。信用卡套现是指持卡人不是通过正常合法手续(ATM或柜台)提取现金，而通过其他手段将卡中信用额度内的资金以现金的方式套取，同时又不支付银行提现费用的行为。按《刑法》规定，信用卡套现情节严重的，涉嫌信用卡诈骗和非法经营罪。
仍有人“顶风”作案
有人离场，就有人入场。
在十多家智能代还App下架关停后，有对接人迅速做出了反应，炮制上线了新的软件。在推销新平台的过程中，他们依旧打着“一键管理信用卡账单”“最佳商业模式”“做代理推广赚分润”的噱头招揽持卡人。
“新旧平台并没有任何不同，只是换了个名字而已。”有从业人士道出了真相。
北京商报记者随机注册多个新上线的智能代还App后发现，注册成功后的第一步，持卡人便要进行实名认证，上传身份证信息，随后才可以进行下一步操作，代还的流程也都是大同小异，先在卡里预留5%的资金，通过智能代还App反复循环还款就可以实现。
在这一过程中，持卡人还要填写信用卡卡号、信用卡CVV码（又称“安全码”）等隐私信息。而当问及此类模式是否会造成封卡或降额等影响时，对接人给出的答案往往都是：“平台所使用的支付公司通道，背后都是真实的标准类商户，每一笔消费都有积分，银行都是实实在在收到了全额手续费。”
不过，有银行人士对此措辞进行了反驳。一位银行信用卡中心人士表示，银行不会通过智能代还App对接的商户收取手续费。一直以来银行对信用卡代还行为都是处于严打状态，循环刷卡的动作很容易被监测到，尤其是一年12期账单中有10期以上账单都是他人代还，这类就属于异常行为。一般针对此类行为的处置方式就是降额，更严重的会进行封卡处理。
还有一个有趣的现象是，和半年前不同，如今的智能代还App将“裂变”拉人头营销玩得更加娴熟，半年前要想注册智能代还App就必须要填写推荐人信息，注册成功后持卡人也变相成为了推广商的下线团队，现在持卡人无需手动填写推荐人信息，只要注册成功就成为了“裂变”营销中的一环。
“裂变”的最终目的就是获客，智能代还App为了便于推广，甚至会为用户生成海报，并号称“只要发个朋友圈就能赚钱”，这场代还游戏中，下线团队的等级分层亦有不同标准：直推3人便可达到市级代理，每人刷卡金额达到1万元可拿到7元/人的奖励；直推30人可以达到省级代理，每人刷卡金额达到1万元可拿到14元/人的奖励，直推的人数越多，拿到的奖励越高。
用传销化的手段展业虽然快，但是并不符合行业合规性。王德悦进一步表示，这些标注着安全可靠、智能还款的信用卡代还App绝大多数都没有相关资质，属无证经营支付业务。持卡人在注册使用代还软件时，极易引发支付信息泄露、资金损失等风险。这种通过“拉人头”的方式诱骗“下线”不断扩大“销量”，而下级代理完成“销售”后，在其之上的多个层级代理都可以层层获得返利奖励的分级营销模式，已经涉嫌传销。
加强还款通道管控
严查至今，曾经风起云涌的信用卡代还业务已经越来越隐匿。
对市场上出现的各类违规代还、非法“代理处置信用卡债务”行为，法院及监管机构都进行了警示。近日，松桃人民法院公开宣判一起非法经营案件，以非法经营罪判处被告人曾某有期徒刑六年六个月，并处罚金人民币80万元，违法所得人民币45万余元依法予以追缴，上缴国库。
2016年11月至2021年4月期间，曾某在他人的信用卡还款日到期前应他人的请求使用自己的银行卡替他人先行还款，之后再使用 POS
机的自动匹配跳转商户功能，以虚构交易、虚开价格的方式，将其代他人偿还的款项回流至曾某的银行卡中，从而实现帮他人恢复信用额度，延长透支期限的目的。曾某从中获取一定比例的“手续费”。曾某以上述方式为他人“养卡”842张，涉案金额共计约6299.56万元，非法获利约45.24万元。
10月25日，北京银保监局也发文提醒广大消费者，信用卡消费量力而行，养成按时还款好习惯。信用卡消费者需要注意培养理性消费的理念，避免“冲动消费”“过度消费”，为确保信用卡能正常使用，需要避免进行信用卡套现或者违规改变信用卡资金用途等异常用卡行为，对于正常消费产生的信用卡账户余额，记得按时查看并还款，避免产生逾期记录影响个人征信。
打击信用卡代还需要监管和银行共同努力。在王蓬博看来，银行应管控好还款渠道，在行与行之间做好信息互通，并且对持卡人信息以及是否通过代还平台还款都进行有效监控，一旦发现可随时处置。而对持卡人来说，不建议持卡人用这种方式进行信用卡还款，也不建议参与信用卡代还业务，一方面容易泄露个人信息，另一方面容易沦为洗钱的帮手，而且一旦持卡人养成习惯，也可能陷入“以卡养卡”的恶性循环。
王德悦表示，打击信用卡代还，银行可以加强对还款通道的管控，如发布信用卡风险提示以及用卡安全、关闭他人账号还款通道等，对不规范使用信用卡的持卡人，采取降低信用卡额度、封卡等方法来保障信用卡资金的安全。
对于即将面临的信用卡逾期，持卡人要切记莫乱了分寸，通过正规渠道还款才是正道。
三、市面上手机挂机玩抖音小游戏靠谱吗
不靠谱，很容易被封号。
全自动游戏挂机项目即通过软件脚本全自动挂游戏，自动做任务打金币、打装备，然后卖给有需求的玩家。挂机能赚钱，但我觉得他并没有你想象中的那么好赚。看似没什么难度的全自动挂机项目其实门槛很高，并不适合普通人。做过的人都说：封号封得怀疑人生。要相信一点，几乎所有挣钱的工作室，都有一定前提，要么有基础有经验，要么有运气，要么有贵人带路。且很多大型工作室，都有自己的脚本制作者，你能在还没有赚钱的情况下就果断掏出几十万来买设备，买账号，卖脚本，养得起一个脚本开发人员么？
假如你自认为真有这个能力和实力，去胜任这个全自动游戏挂机项目，那么技术层面的如何多开，如何稳定多开，独立ip，刷金倒金，以及扩大利益，都是一开始就要解决的问题，那些100个号1000个号还能稳定运行的，都是靠几倍几十倍封号，一次次实验出来的。我建议大家，选项目一定要挑选正规长期稳定的好项目，现在的手游新出一个月就凉凉的太多。好的项目，是三五年都不用换的，垃圾的，进去刚弄明白了点，就贬值了。幻想着买了工具就能全自动在线，一个月上万甚至好几万的醒醒吧。
以上就是小编为大家整理的赚钱小游戏自动挂机脚本的内容，更多关于赚钱小游戏自动挂机脚本可以关注本站。
微信扫一扫 
支付宝扫一扫 
