2. 实时计算基础：概念、对比与架构演进

在金融压力测试场景中，风险指标（如 VaR、流动性覆盖率、压力损失）的时效性直接决定了风控决策的有效性。传统 T+1 批处理模式已无法满足高频交易、实时盯市和动态压力测试的需求。本章将系统梳理实时计算的核心概念、批处理与流处理的本质差异，以及两种主流架构——Lambda 与 Kappa 的设计哲学与适用场景。

2.1 实时计算的核心概念

实时计算（Real-time Computing）是指数据从产生到处理完成的时间延迟被压缩到秒级甚至毫秒级，使系统能够立即响应并输出结果。在金融风控领域，实时计算通常包含以下三个关键维度：

• 低延迟（Low Latency）：从事件发生到结果可见的时间窗口，压力测试中通常要求 < 1 秒。
• 持续处理（Continuous Processing）：数据流无界、不间断，系统需具备背压（Backpressure）处理能力。
• 状态管理（State Management）：跨事件维护中间聚合结果（如滚动窗口 VaR、累计敞口），支持 Exactly-Once 语义。

2.2 批处理与流处理的对比

批处理（Batch Processing）与流处理（Stream Processing）是两种截然不同的数据处理范式。下表从多个维度进行对比：

2.3 Lambda 架构：批流分离的经典方案

Lambda 架构由 Nathan Marz 提出，旨在同时满足批处理的准确性与流处理的低延迟。它将数据管道拆分为三层：

• 批处理层（Batch Layer）：存储全量原始数据，定期执行批量计算，生成准确的离线视图（如日终压力测试报告）。
• 流处理层（Speed Layer）：实时处理新到达数据，提供低延迟的近似结果（如实时 VaR 估算）。
• 服务层（Serving Layer）：合并批处理层与流处理层的结果，对外提供统一查询接口。

2.4 Kappa 架构：流批一体的简化演进

Kappa 架构由 Jay Kreps（Kafka 创始人）提出，核心思想是：只用一套流处理引擎，通过数据重放（Replay）来模拟批处理。其设计要点如下：

• 统一日志层：所有数据以不可变日志形式存储在 Kafka 等消息队列中，支持回溯消费。
• 流处理引擎：Flink / Kafka Streams 等引擎从日志中消费数据，实时计算并输出结果。
• 重放机制：当需要重新计算历史数据（如修正模型参数）时，只需重置消费偏移量，从指定时间点重新处理。

2.5 架构选型建议

在金融压力测试特征实时计算项目中，架构选型需综合考虑以下因素：