1. 课程导论与风控背景

1.1 实时风控的定义

实时风控（Real-time Risk Control）是指在金融交易、支付转账、账户登录等业务事件发生的毫秒至秒级时间窗口内，通过规则引擎、机器学习模型和流式计算技术，对交易行为进行风险识别、评估与决策的技术体系。其核心特征包括：

• 低延迟决策：从事件发生到返回风控结果通常要求 < 100ms（支付场景）或 < 500ms（转账场景）。
• 全量实时计算：对每一笔交易进行独立评分，而非离线批量处理。
• 动态自适应：模型和规则可根据实时反馈（如欺诈确认、误报纠正）在线更新。
• 高并发支撑：峰值 TPS（每秒交易笔数）可达数万至数十万。

1.2 异常交易检测的业务价值

异常交易检测（Anomalous Transaction Detection）是实时风控的核心应用场景，其业务价值体现在三个层面：

1. 资金安全：直接拦截盗刷、欺诈转账、洗钱等非法交易，减少直接经济损失。据行业统计，部署实时风控后欺诈损失平均降低 60%~80%。
2. 合规与监管：满足央行、银保监会等监管机构对交易监控的时效性要求（如《反洗钱法》要求大额交易实时报告）。
3. 用户体验与信任：在保障安全的前提下，减少误拦截对正常用户的打扰，提升交易成功率与平台信誉。

1.3 课程整体架构

本课程共 30 章，分为四大模块，覆盖从理论到生产部署的全链路：

1.4 学习目标

完成本课程后，学员应具备以下能力：

• 架构设计能力：能够独立设计一套支持高并发、低延迟的实时风控系统架构，包括数据管道、特征存储、模型推理与决策引擎。
• 模型开发与部署能力：掌握异常检测模型（如 Isolation Forest、Autoencoder、Graph-based 方法）的开发、训练、评估与生产部署流程。
• DevOps 与 MLOps 实践：熟练使用 Docker、Kubernetes、Prometheus、MLflow 等工具链，实现模型的 CI/CD、A/B 测试、监控告警与自动回滚。
• 业务理解与调优：能够根据业务指标（如拦截率、误报率、交易成功率）持续优化模型与规则策略。

1.5 课程特色与教学方式

• 代码驱动：每章提供可运行的 Python 代码、Dockerfile 和 Kubernetes YAML 配置，学员可直接在本地或云环境复现。
• 真实数据集：使用公开的金融交易数据集（如 IEEE-CIS Fraud Detection、PaySim）进行模型训练与评估。
• 生产环境模拟：通过 Minikube 或 Kind 搭建本地 K8s 集群，模拟生产级模型部署与流量压测。
• 故障演练：第 29 章专门设计模型服务宕机、数据延迟、特征漂移等故障场景，训练学员的应急响应能力。