3. 实时风控场景：架构特点、数据稳定性要求与 PSI 校验必要性
实时风控系统运行在毫秒级决策链路上，其架构设计与离线批处理系统有本质区别。数据分布的任何微小偏移都可能直接导致误杀或漏过，因此 PSI（Population Stability Index）校验在实时场景下不是可选项，而是保障模型效果的生命线。
3.1 实时风控系统的架构特点
实时风控系统通常采用“流式计算 + 规则引擎 + 模型服务”的混合架构，核心特征如下：
| 架构层 | 组件 | 关键特性 |
|---|---|---|
| 数据接入层 | Kafka / Pulsar / Flink | 高吞吐、低延迟、至少一次语义 |
| 特征计算层 | 实时特征平台 / CEP | 滑动窗口聚合、事件关联、特征衍生 |
| 决策引擎层 | 规则引擎 + 模型推理 | 规则优先、模型兜底、可解释性 |
| 结果输出层 | 决策流 / 消息队列 | 异步回调、风险处置、监控告警 |
架构要点： 实时风控的决策链路通常控制在 50~200ms 内，特征计算与模型推理必须支持高并发、低抖动。任何环节的数据分布突变都会在秒级传导至决策结果。
3.2 实时场景对数据稳定性的高要求
实时风控的数据流具有 时效性强、分布波动大、样本自相关 三大特点，对数据稳定性提出严苛要求：
- 时效性约束： 模型训练使用的离线数据与线上实时数据存在时间窗口差异，节假日、大促、突发热点事件会瞬间改变特征分布。
- 分布波动敏感： 实时特征（如 IP 归属地、设备指纹、交易金额）的分布可能在数分钟内发生剧烈变化，传统月度 PSI 监控完全失效。
- 样本自相关： 同一用户短时间内多次请求会产生时序依赖，导致采样偏差放大，PSI 计算需要引入去重或时间衰减机制。
⚠️ 常见陷阱： 许多团队将离线批处理的 PSI 监控周期（如 T+1、T+7）直接套用到实时场景，导致模型漂移发现延迟数小时，期间已产生大量误判损失。实时 PSI 校验的窗口粒度通常需要缩短到 5~30 分钟。
3.3 PSI 校验在实时风控中的必要性
在实时风控中，PSI 校验承担着 模型健康度监测 和 数据质量门禁 的双重角色。其必要性体现在以下四个维度：
| 维度 | 风险描述 | PSI 校验作用 |
|---|---|---|
| 特征漂移 | 实时特征分布与训练集不一致 | 量化每个特征的偏移程度，触发特征回滚或重训练 |
| 样本偏差 | 线上采样逻辑导致正负样本比例失衡 | 监控样本分布稳定性，防止模型决策边界偏移 |
| 模型老化 | 业务环境变化导致模型预测能力下降 | 通过 PSI 趋势判断模型是否需要紧急更新 |
| 数据链路故障 | 上游数据源中断或格式变更 | PSI 突变可作为数据质量告警的早期信号 |
3.4 实时 PSI 校验的关键设计原则
针对实时风控场景，PSI 校验系统需要遵循以下设计原则：
- 窗口化计算： 采用滑动时间窗口（如 15 分钟）替代固定周期，支持秒级数据刷新。
- 分层监控： 按特征维度、模型版本、业务线进行分层 PSI 计算，避免全局平均掩盖局部漂移。
- 自适应阈值： 根据业务波动周期（如工作日 vs 周末、大促 vs 日常）动态调整 PSI 告警阈值。
- 可追溯性： 每次 PSI 计算保留快照，支持回溯分析漂移根因。
💡 最佳实践： 建议在实时风控系统中建立“PSI 三色预警”机制——PSI < 0.1 为绿色（正常）、0.1 ≤ PSI < 0.25 为黄色（关注）、PSI ≥ 0.25 为红色（紧急干预），并联动自动回滚或模型切换流程。