1. 课程导学：实时欺诈评分接口的应用场景、课程目标与学习路径、前置知识要求

1.1 为什么需要实时欺诈评分？

在数字支付、信贷审批、账户登录等高频交易场景中，欺诈行为往往在毫秒级完成。传统的离线风控模型（T+1 或批量评分）无法拦截瞬时攻击，因此业界转向实时欺诈评分接口——在交易发生的同时，通过 API 调用返回风险分数，决定放行、拒绝或人工审核。

1.2 典型应用场景

1.3 实时评分接口的架构位置

下图展示了一个典型的实时风控系统架构，其中评分接口处于业务层与决策引擎之间，承担特征聚合与模型推理的职责。

1.4 课程目标

完成本课程后，你将具备从零构建生产级实时欺诈评分接口的能力。具体目标如下：

• 理解原理：掌握实时评分接口的通信协议（HTTP/gRPC）、特征工程、模型部署与性能优化。
• 动手实现：使用 Python + FastAPI 开发一个可运行的评分接口，集成规则引擎与机器学习模型。
• 生产化：学习接口压测、日志监控、灰度发布与容灾降级策略。
• 安全合规：了解数据脱敏、鉴权、审计与 GDPR/等保合规要求。

1.5 学习路径

课程按“基础 → 核心 → 进阶 → 实战”四阶段递进，建议按顺序学习：

1.6 前置知识要求

本课程面向有一定经验的风控或后端开发者，建议具备以下基础：

• 编程语言：熟悉 Python 3.8+，了解异步编程（asyncio）更佳。
• Web 框架：了解 RESTful API 设计，使用过 FastAPI 或 Flask。
• 数据库：掌握 SQL 基础，了解 Redis 缓存操作。
• 机器学习：理解分类模型（逻辑回归、XGBoost）的基本原理，不要求深入调参。
• Linux：能使用命令行部署服务、查看日志。

1.7 学习路径图

下图展示了从入门到实战的完整学习路径，以及各阶段的关键里程碑：

1.8 课程特色

• 代码即文档：每章提供可运行的代码示例，注释完整，可直接用于项目。
• 真实数据集：使用脱敏的支付交易数据训练模型，贴近工业场景。
• 压测与监控：使用 Locust 进行接口压测，Prometheus + Grafana 监控。
• 社区支持：每章末尾有思考题，GitHub Discussions 提供答疑。