1. 风控SQL样本校验概述

1.1 实时风控场景介绍

实时风控系统在金融、电商、支付等领域承担着“交易级毫秒决策”的核心职责。系统需要在用户请求的数十毫秒内完成风险识别、规则匹配与处置决策。典型的实时风控场景包括：

• 支付交易拦截：判断当前支付是否存在盗刷、洗钱、欺诈风险。
• 账户登录保护：识别异常登录行为（异地、设备指纹突变、高频尝试）。
• 信贷申请反欺诈：在授信环节实时校验申请人的多头借贷、团伙关联、资料造假。
• 营销活动防刷：检测批量注册、脚本抢券、虚假裂变等黑产行为。

这些场景的共同特征是：数据量大、时效要求高、规则动态变化。风控策略团队会编写大量 SQL 样本（规则模板、特征计算脚本、名单匹配查询）来驱动决策引擎。一旦 SQL 样本存在逻辑错误、语法缺陷或数据质量问题，将直接导致误杀、漏过甚至系统崩溃。

1.2 SQL样本校验的定义与重要性

SQL样本校验是指在风控规则或特征脚本上线前，通过自动化或半自动化的方式，对 SQL 语句进行语法检查、逻辑验证、数据质量评估和性能预判的过程。它不同于传统的单元测试，更侧重于“样本数据 + 真实环境”的联合验证。

SQL 样本校验的重要性体现在三个层面：

1. 降低误杀率：错误的 SQL 逻辑会导致正常用户被拦截，直接造成业务损失和客诉。
2. 防止漏过风险：遗漏的 JOIN 条件或错误的时间窗口可能让黑产交易顺利通过。
3. 保障系统稳定性：性能差的 SQL 会拖垮实时计算引擎，引发级联故障。

1.3 校验在风控链路中的位置

实时风控链路通常包含以下环节：数据接入 → 特征计算 → 规则匹配 → 决策输出 → 处置执行。SQL 样本校验位于规则开发与规则上线之间，是策略从“代码”到“生产”的最后一道质量闸门。

从图中可以看出，SQL 样本校验并非独立存在的环节，它紧密嵌入在特征计算和规则匹配的上游。校验的对象包括：

• 特征 SQL：用于计算用户画像、交易属性、设备指纹等特征的查询语句。
• 规则 SQL：用于命中黑名单、阈值判断、关联图谱匹配的决策语句。
• 名单 SQL：用于加载和维护动态名单（IP 黑名单、设备指纹库）的批量操作。

1.4 校验流程概览

一个标准的 SQL 样本校验流程包含以下步骤：

1. 样本提交：风控策略人员将编写好的 SQL 样本提交到校验平台。
2. 语法解析：使用 SQL 解析器（如 ANTLR、Calcite）进行语法树构建和方言校验。
3. 逻辑验证：基于元数据（表结构、字段类型、分区信息）检查 JOIN 路径、聚合函数、时间窗口。
4. 数据探查：在测试环境执行 SQL，对比结果集与预期基线，检查空值率、数据漂移。
5. 性能评估：通过 EXPLAIN 计划或采样执行，预估扫描行数、内存消耗、耗时。
6. 结果报告：生成校验报告，标记通过/警告/失败，并给出修改建议。