1. 课程导论与业务背景

1.1 实时风控的定义

实时风控（Real-time Risk Control）是指在用户行为发生的瞬间（毫秒至秒级），通过规则引擎、机器学习模型或混合策略，对交易、登录、信贷申请等操作进行风险识别与决策的技术体系。其核心特征是低延迟与高并发，通常要求单次决策在 100ms 内完成，且能支撑每秒数万笔请求。

1.2 典型业务场景

实时风控覆盖金融、电商、社交等多个领域，以下三个场景最具代表性：

1.3 实时与离线模型训练集的本质区别

这是本课程最核心的概念基础。实时模型训练集与离线模型训练集在数据来源、特征时效、标签获取、样本分布四个维度存在根本差异：

• 数据来源： 离线训练集通常来自 Hive/数仓的批量 T+1 数据；实时训练集则依赖 Kafka/Flink 的流式数据，包含当前会话的实时行为。
• 特征时效： 离线特征可回溯历史 30 天甚至更久；实时特征仅能使用当前请求前 5 分钟内的滑动窗口统计。
• 标签获取： 离线标签可通过事后确认（如逾期 30 天）获得；实时标签必须在请求发生后极短时间内（秒级）通过规则或人工标注生成。
• 样本分布： 离线训练集通常经过采样平衡；实时训练集必须保持原始分布，否则模型在线上会出现概率偏移。

1.4 为什么需要专门构建实时训练集

许多团队直接复用离线训练集训练模型并部署到实时场景，这会导致严重的特征穿越和分布漂移问题。实时训练集必须满足以下约束：

1. 特征一致性： 训练时使用的特征必须与线上实时请求时能获取的特征完全一致，不能使用未来信息。
2. 标签时效性： 标签必须在决策后短时间内（秒级）确定，不能依赖 T+1 的离线标签。
3. 样本保真性： 训练集必须保留实时流中的原始样本分布，不做全局采样，否则模型概率校准会失效。
4. 数据新鲜度： 实时训练集通常只保留最近 7~30 天的数据，避免旧分布干扰当前模型。

1.5 实时训练集构建的挑战

构建实时训练集并非简单的“把离线流程搬到流上”，它面临以下工程与算法挑战：