3. 决策链路概述：风控决策链路定义、典型链路节点
实时风控流式决策链路，是指从业务事件触发开始，经过数据接入、特征计算、规则/模型判断，最终输出处置动作的完整处理管道。在流式架构下，这条链路以毫秒级延迟、无状态或轻状态方式运行，是风控系统的核心执行引擎。
3.1 风控决策链路定义
风控决策链路（Risk Decision Pipeline）是一组按序编排的处理节点，每个节点完成特定的计算或判断任务，节点间通过事件驱动或数据流连接。其核心特征包括：
- 流式处理：事件逐条进入，不依赖批量窗口，延迟可控。
- 确定性编排：节点执行顺序由决策流图定义，支持条件分支与并行。
- 可观测性：每个节点输出中间指标，用于监控、调试与回放。
- 热部署：节点逻辑可动态更新，不影响在线流量。
关键指标：生产环境中，决策链路 P99 延迟通常要求 ≤ 50ms，吞吐量 ≥ 10万 QPS/单节点。
3.2 典型链路节点
一条完整的实时风控决策链路通常包含以下五个核心节点。下表从输入、输出、计算类型三个维度进行对比：
| 节点名称 | 输入 | 输出 | 计算类型 | 典型延迟预算 |
|---|---|---|---|---|
| 数据接入 | 原始业务事件（JSON/Protobuf） | 标准化事件对象 | 协议解析、字段映射、校验 | 1-3 ms |
| 特征计算 | 标准化事件 + 上下文（设备/用户画像） | 特征向量（数值/类别/文本） | 聚合统计、时序计算、外部查询 | 5-15 ms |
| 规则引擎 | 特征向量 | 规则命中结果（命中/未命中 + 风险标签） | 条件匹配、阈值比较、黑白名单 | 1-5 ms |
| 模型推理 | 特征向量 | 风险分数 / 概率 / 分类结果 | 机器学习模型前向计算 | 5-20 ms |
| 处置动作 | 规则/模型结果 + 策略配置 | 处置指令（通过/拒绝/人工审核/限流） | 策略路由、动作编排、异步回调 | 1-3 ms |
实践建议：在链路设计初期，为每个节点预留明确的延迟预算，并在压测阶段逐节点打点验证。特征计算和模型推理通常是瓶颈节点，建议优先优化。
3.3 决策链路整体流程
下图展示了实时风控流式决策链路的典型拓扑结构。事件从左向右流动，经过五个核心节点后输出处置结果。其中规则引擎与模型推理可并行执行，也可根据业务场景配置为串行（规则先过滤，模型再打分）。
3.4 节点间数据流与上下文传递
在流式决策链路中，节点间通过统一的上下文对象（Context）传递数据。上下文对象包含以下关键字段：
- event：原始事件及标准化后的字段。
- features：特征计算节点输出的特征向量（Map 结构）。
- ruleResults：规则引擎输出的命中规则列表及风险标签。
- modelResults：模型推理输出的分数、概率及模型版本。
- decision：最终处置动作及原因码。
避坑指南：上下文对象应设计为不可变（Immutable）或快照模式，避免节点间共享引用导致的数据污染。建议使用 Protobuf 或 Avro 序列化，便于链路追踪和回放。
3.5 节点编排模式
根据业务复杂度，决策链路支持多种编排模式。下表列出三种常见模式及其适用场景：
| 编排模式 | 描述 | 适用场景 | 延迟影响 |
|---|---|---|---|
| 串行模式 | 节点按固定顺序执行，前序节点输出作为后续节点输入 | 规则前置过滤、简单评分卡 | 延迟累加，但实现简单 |
| 并行模式 | 规则引擎与模型推理同时执行，结果合并后进入处置节点 | 需要同时参考规则和模型结果的高精度场景 | 延迟由最慢分支决定 |
| 条件分支模式 | 根据中间结果动态选择后续节点（如命中高优规则直接拒绝） | 需要快速拦截高风险事件的场景 | 可提前终止，降低平均延迟 |
下图展示了条件分支模式的典型流程：当规则引擎命中“直接拒绝”规则时，跳过模型推理直接进入处置动作，实现毫秒级快速拦截。
最佳实践：在条件分支模式下，建议将高频命中规则（如设备黑名单、IP 黑名单）前置，可拦截 60%-80% 的高风险事件，大幅降低模型推理的负载和整体延迟。