无法对非环境和属性聚集的恶意用户进行检测 (当然，这也不在方案的设计目标里)，无法处理恶意用户使用外挂等手段绕过环境和属性聚集检测的情况;

　　上述方案权重策略部分需要人工指定权重，这无疑增加了人工调参的工作量，若黑产恶意模式或使用特征发生较大的变更，则可能需要对权重重新进行调整，维护成本较高。

　　Next…

　　探索自动化的权重生成策略，以应对可能的特征或黑产模式变更;

　　是否可以根据聚类过程中的信息生成规则，用于实时恶意打击;

　　上述方案比较适合用来检测恶意用户可能存在的环境聚集和属性聚集，对于非环境和属性聚集的恶意类型则显得无能为力了 (一种可能的方案是将连续属性离散化，不过这样太不优雅了!)，因此后续我们会尝试从行为维度对用户行为进行分析，并构建相应的打击模型。

　　参考文献

　　Chen R, Shi J, Chen Y, et al. PowerLyra: differentiated graph computation and partitioning on skewed graphs[C]// Tenth European Conference on Computer Systems. ACM, 2015:1.

　　Spark 性能优化指南——高级篇 https://tech.meituan.com/spark-tuning-pro.html