实时欺诈评分接口开发从入门到实践 - 第2节

2.1 什么是欺诈评分

欺诈评分（Fraud Score）是一个量化风险的数字指标，通常介于 0 ~ 1000 之间，用于衡量当前交易或用户行为属于欺诈操作的可能性。分数越高，代表风险越大，系统需要采取拦截、人工审核或增强验证等动作。

欺诈评分不是单一规则的结果，而是由数十甚至上百个风险特征通过统计模型或机器学习模型综合计算得出。它解决了传统“一刀切”规则（如：单笔超过 5000 元即拦截）误杀率高、难以应对新型攻击的痛点。

2.2 评分卡模型原理

评分卡（Scorecard）是风控领域最经典的线性可解释模型，广泛应用于信贷审批和交易反欺诈。其核心思想是将每个特征变量分段后赋予分值，最后累加得到总分。

2.2.1 评分卡建模流程

1. 数据准备与清洗：获取历史交易数据，处理缺失值、异常值。
2. 特征分箱（Binning）：将连续变量（如交易金额）划分为若干区间，离散变量合并稀疏类别。
3. WOE 编码（Weight of Evidence）：计算每个分箱的证据权重，衡量该分箱对好坏样本的区分能力。
4. 逻辑回归建模：以 WOE 值作为输入，拟合逻辑回归模型，得到每个特征的系数。
5. 分数转换：将逻辑回归的预测概率通过线性变换映射为整数分数。

2.2.2 评分卡结构示例

最终欺诈评分 = 基础分 + 各特征分值之和。分数越低，风险越高（不同业务方向可自定义）。

2.3 实时评分与离线评分的区别

在风控系统中，评分计算时机决定了系统的响应速度和防护能力。实时评分（Real-time Scoring）与离线评分（Batch Scoring）在延迟、数据范围、应用场景上存在本质差异。

2.3.1 实时评分架构要点

• 特征缓存：使用 Redis 或内存网格存储高频访问的实时特征（如设备指纹、IP 风险标签）。
• 模型热加载：模型文件预加载到内存，避免每次请求都读取磁盘。
• 降级策略：当模型服务超时或异常时，自动降级为规则引擎或放行（需记录日志）。
• 异步日志：评分结果通过消息队列异步写入数据库，不阻塞主流程。

2.3.2 混合评分策略

生产环境中通常采用 实时 + 离线混合评分 策略：

• 实时评分：处理在线交易，返回即时决策（通过/拒绝/人工审核）。
• 离线评分：每日更新用户风险画像、设备标签、关系网络，并将结果同步到实时特征缓存。
• 联动机制：离线产出的黑名单、高频 IP 库、设备指纹库，通过配置中心或消息队列实时推送到在线缓存，实现“离线计算、在线使用”。