1. 课程导论与项目背景

1.1 支付风控为什么如此重要？

在数字支付时代，每一笔交易背后都隐藏着欺诈与反欺诈的博弈。根据行业统计，全球支付欺诈损失在2023年已超过400亿美元，且每年以15%–20%的速度增长。对于支付平台而言，一次大规模欺诈事件不仅意味着直接资金损失，更可能导致用户信任崩塌、监管处罚甚至牌照吊销。

支付风控的核心目标是在毫秒级的时间内，准确识别并拦截欺诈交易，同时尽量降低对正常用户的误伤。这要求风控系统具备以下能力：

• 实时性：交易必须在100–300ms内完成评分与决策。
• 准确性：高召回率（Recall）与高精确率（Precision）的平衡。
• 可扩展性：能应对大促期间10倍以上的流量洪峰。
• 可解释性：风控决策需要支持事后审计与模型迭代。

1.2 实时评分业务场景

实时评分（Real-time Scoring）是支付风控的核心环节。当用户发起一笔支付时，风控系统需要综合多维度特征，在极短时间内计算出一个风险分数（通常为0–1000），并根据分数阈值决定：放行、人工审核、增强验证（如3DS）、拒绝。

典型的实时评分流程包含以下步骤：

1. 交易事件接入：接收支付网关的实时交易消息。
2. 特征提取：从交易本身、用户画像、设备指纹、历史行为等维度提取特征。
3. 规则引擎匹配：快速命中黑白名单、频次规则、地理围栏等。
4. 模型推理：调用机器学习模型（如XGBoost、深度学习）输出风险概率。
5. 决策与反馈：输出最终决策，并将结果回写至事件流供后续分析。

1.3 Kafka 在风控架构中的角色

Kafka 在实时风控架构中扮演着中枢神经的角色。它不仅是高吞吐、低延迟的消息总线，更是流处理引擎的数据源与结果存储。在典型的支付风控架构中，Kafka 承担以下职责：

• 事件总线：统一接入交易事件、设备事件、行为事件，解耦上下游系统。
• 流处理平台：利用 Kafka Streams 或 ksqlDB 实现实时特征计算、规则匹配与模型调用。
• 状态存储：通过 Kafka Streams 的状态存储（RocksDB）维护用户画像、设备指纹等实时聚合数据。
• 数据管道：将风控决策结果实时同步至下游的账务系统、通知系统、数据仓库。

下图展示了 Kafka 在支付风控实时评分架构中的核心位置：

1.4 为什么选择 Kafka Streams 而非 Flink？

在实时风控领域，Kafka Streams 与 Flink 都是主流选择。本课程聚焦 Kafka Streams，主要基于以下考量：

1.5 本章小结