3、实时风控数据流：实时数据采集、特征工程、模型推理、决策反馈闭环

实时风控系统的核心在于数据流的闭环处理能力。从用户行为发生到风险决策输出，必须在毫秒级时间内完成数据采集、特征加工、模型计算与结果反馈。任何一个环节的样本偏差，都会沿着数据流逐级放大，最终导致模型失效。本节将拆解实时风控数据流的四个关键阶段，并分析每个阶段可能引入的样本偏差风险。

3.1 实时数据采集

实时数据采集是风控数据流的起点，负责从多个异构数据源（前端埋点、API网关、消息队列、数据库CDC）中捕获用户行为事件。采集层需要保证数据的完整性、时效性和一致性。

3.2 实时特征工程

特征工程是将原始事件转化为模型可用的数值化特征。在实时流中，特征计算面临时间窗口、状态管理和特征回溯三大挑战。

• 滑动窗口统计： 过去5分钟、1小时、24小时内的交易次数、金额总和、设备指纹变化频率。
• 序列特征： 用户操作路径的N-gram编码、事件间隔时间序列。
• 跨实体特征： 同一IP关联的账户数、同一设备关联的手机号数。
• 外部特征： 实时IP归属地、设备黑名单命中、第三方风险评分。

3.3 模型推理

模型推理阶段将实时特征输入训练好的风控模型，输出风险评分或决策标签。推理过程需要关注模型版本管理、推理延迟和特征对齐。

# 实时模型推理伪代码（Python风格）
def realtime_inference(event: dict) -> dict:
    # 1. 特征提取
    features = feature_store.get_features(event['user_id'], event['device_id'])
    # 2. 特征校验（防止训练-推理分布偏移）
    if not feature_validator.validate(features):
        features = feature_imputer.fill_missing(features)
        log_sample_bias_warning(event['event_id'], 'feature_mismatch')
    # 3. 模型推理
    risk_score = model.predict_proba(features)[1]
    # 4. 决策阈值动态调整
    threshold = threshold_manager.get_threshold(event['scene_id'])
    decision = 'reject' if risk_score > threshold else 'pass'
    return {'score': risk_score, 'decision': decision, 'threshold': threshold}

3.4 决策反馈闭环

决策反馈闭环是实时风控数据流的最后一环，也是样本偏差治理的关键。系统将模型决策结果、人工审核结果、业务最终结果（如是否逾期、是否欺诈）进行关联，形成完整的样本标签，回流至训练集。

3.5 闭环中的样本偏差传导机制

实时风控数据流的每个环节都可能引入偏差，且偏差会沿着闭环传导放大。以下表格总结了各阶段的偏差类型及其传导路径：