1. 课程导论：异常交易检测的业务价值、课程目标与学习路径、Flink在风控领域的优势
1.1 异常交易检测的业务价值
在金融交易领域，异常交易检测是风险控制体系的核心防线。其业务价值体现在三个层面：
- 资金安全保护：实时拦截盗刷、洗钱、欺诈交易，降低直接经济损失。
- 合规监管要求：满足反洗钱（AML）、反欺诈等监管合规要求，避免高额罚金。
- 用户体验与品牌信誉：精准识别异常交易，减少误伤正常用户，提升平台信任度。
行业数据参考：据Javelin Strategy & Research报告，全球每年因支付欺诈造成的损失超过300亿美元。实时风控系统可将欺诈损失降低60%-80%。
1.2 课程目标与学习路径
本课程旨在帮助学员掌握从异常交易样本构建到Flink实时风控引擎开发的全链路技能。课程目标拆解如下：
| 模块 | 核心目标 | 关键产出 |
|---|---|---|
| 样本构建 | 理解异常交易样本的标签定义、特征工程与样本平衡策略 | 高质量训练数据集 |
| Flink基础 | 掌握Flink DataStream API、时间语义、状态管理与Checkpoint机制 | 可运行的Flink作业 |
| 风控模型集成 | 将机器学习模型（规则引擎/决策树/神经网络）嵌入Flink流处理 | 实时推理Pipeline |
| 实战项目 | 完成从数据接入、样本生成、模型训练到实时检测的完整闭环 | 可演示的异常交易检测系统 |
推荐学习路径：先夯实样本构建基础，再深入Flink核心机制，最后通过实战项目串联全流程。每章均配有代码示例与课后练习。
1.3 Flink在风控领域的优势
Apache Flink凭借其低延迟、高吞吐、精确一次语义等特性，已成为实时风控领域的首选计算引擎。与传统批处理或Spark Streaming相比，Flink在风控场景中具备以下核心优势：
- 真正的流处理：每条交易记录到达即处理，延迟低至毫秒级，满足实时拦截需求。
- 事件时间语义：支持基于交易发生时间而非到达时间的窗口计算，避免乱序数据导致的误判。
- 状态管理与容错：内置Keyed State与Checkpoint机制，保证风控规则状态的一致性与故障恢复。
- CEP复杂事件处理：原生支持Flink CEP库，可灵活定义序列模式（如“短时间高频交易+跨设备登录”）。
- 与机器学习生态集成：支持通过PMML、ONNX或自定义UDF加载模型，实现实时推理。
选型建议：对于日均交易量超过百万笔、要求秒级以内响应的风控系统，Flink是当前业界最成熟的实时计算方案。
1.4 课程内容概览
本课程共30章，按知识递进关系分为四大阶段：
| 阶段 | 章节范围 | 核心内容 |
|---|---|---|
| 基础篇 | 第1-5章 | 异常交易业务理解、样本标签定义、特征工程基础 |
| 样本构建篇 | 第6-12章 | 样本采样策略、正负样本平衡、时间序列样本构造、数据质量校验 |
| Flink实战篇 | 第13-24章 | Flink环境搭建、DataStream API、状态与容错、CEP规则引擎、模型集成 |
| 项目实战篇 | 第25-30章 | 端到端异常交易检测系统开发、性能调优、上线部署与监控 |
前置要求：建议学员具备Java/Scala基础、了解基本机器学习概念。每章代码均提供完整注释与测试数据，降低上手门槛。