【金融科技工程】十九：实时风控引擎——规则、特征、模型、决策流与 Flink/Spark

风控是支付系统的核心，确保资金安全，涉及规则引擎、名单、用户画像、图分析和模型推理等六个子系统。

风控引擎需要在毫秒级延迟下处理大量流量，确保实时性和合规性。

风控分为前置、在线和事后三个层次，分别对应交易生命周期的不同阶段。

延迟预算是风控架构的基础，决定了能否使用模型和进行多次查询。

成熟的风控引擎由规则引擎、名单、画像、图、模型推理和决策编排六个子系统组成。

规则引擎的实现需要考虑上下文和规则集，支持热更新和高效的规则匹配。

名单管理包括黑名单、白名单和灰名单，需动态更新和多维度管理。

用户画像和特征存储是风控决策的重要基础，需实时更新和维护。

图分析用于识别欺诈团伙，通过关系图分析多个主体之间的关联。

模型推理分为传统机器学习和深度学习，需满足高并发和低延迟的要求。

决策编排将各个子系统的结果整合，形成最终的风控决策。

Champion-Challenger策略用于新策略的上线测试，确保风险可控。

行业案例展示了不同公司在风控引擎建设中的实践和经验。

风控引擎的可回放性和审计能力是合规的重要要求，需记录决策过程和结果。

工程实施中需注意特征穿越、规则爆炸、灰度失效等常见问题，确保系统稳定运行。