学生毕业申请删除数据后,预警工单还留不留痕迹
毕业生提删除申请,指向的是能识别本人的个人信息;预警工单里学校的履职痕迹该做去标识化保留,而不是整条抹掉。
毕业生提删除申请,指向的是能识别本人的个人信息;预警工单里学校的履职痕迹该做去标识化保留,而不是整条抹掉。
同时在线数好看却不代表压力,心理普查真正的峰值来自扎堆交卷,压测该盯交卷 QPS。
上传的图片和录音比分数更敏感,存在哪、算什么密级,要在测评上线前就定清楚。
测评能力接进学工系统,难的不是接口调通,而是幂等键和回调重试这两个容易被跳过的机制。
题干中途改了,正在作答的会话是继续用旧版本还是跟着变,这个选择直接决定测评数据能不能对齐。
等保和密评里,心理 SaaS 被扣分最集中的不是网络加固,而是日志查不清、权限太粗、密钥管理不到位。
心理测评数据属于敏感个人信息,存储加密的下限是不留明文、密钥与数据分离,再叠上最小权限与脱敏展示。
字段级日志防的是数据被悄悄改,操作级日志防的是数据被拿走,心理测评场景更该优先记全导出与查看。
换计分公式最稳的做法是新旧算法并行:新卷走新公式,旧卷仍按交卷当天的算法解释,靠答卷绑定版本号实现。
刚交卷看不到报告,多数时候不是数据丢了,而是读写分离带来的副本同步延迟。
RPO 决定出事那天最多丢多少数据,RTO 决定系统要停多久,学校采购前都该问清楚。
无效卷检测能拦住敷衍的答卷,但它识别的是作答行为的异常,不是回答内容的真伪。
可审计的心理预警,指的不是报警多,而是每一次触发都能回溯到一条有版本记录的规则。
同样是把测评报告变成 PDF,服务端渲染和前端浏览器打印是两条路,各有各的坏法,选之前得先知道它们会怎么出问题。
同一套心理 SaaS 上住着上百所学校,学校 A 采购的量表包绝不能出现在学校 B 的可用列表里,隔离要从每一次数据查询做起。
一条测评链接发出去,既要防被随手转发给别人代做,又要防同一条被重复提交,还要能随时作废,这三件事得在 Token 设计里一并解决。
三千行名单里混着几十行格式不对的,回滚指的是整批退回,还是能进的先进、进不去的挑出来退回,这两层意思得先分清。
异步出报告顶住了峰值,但队列堆积时给用户一个永远转圈的图标是最糟的做法;该给的是一台看得见的状态机。
90 题 9 因子的量表,答案铺成一行宽表还是拆成 90 行长表,看着只是表结构,实则一路影响计分和导出。
把常模写进配置还是写进代码,算出来的分没差别;可一旦要更新常模,一个是改数据,一个是改代码加发版,成本完全不在一个量级。