2. Serving架构设计：整体架构图、请求链路、核心组件

实时风控Serving架构是风控系统从离线分析走向在线决策的关键桥梁。本章将围绕整体架构图、请求链路以及核心组件（网关、特征中心、模型引擎、决策流）展开，帮助您建立对实时风控Serving系统的全局认知。

2.1 整体架构图

实时风控Serving架构采用分层、解耦的设计原则，将请求接入、特征计算、模型推理与决策编排分离，以支持高并发、低延迟的在线风控场景。下图展示了核心架构层次与组件关系。

2.2 请求链路

一次完整的实时风控请求从客户端发起，到最终返回决策结果，经历以下核心步骤：

2.3 核心组件详解

2.3.1 网关（API Gateway）

网关是风控系统的统一入口，承担以下职责：

• 协议适配： 支持 HTTP/REST、gRPC、Thrift 等多种协议，统一转换为内部 RPC 调用。
• 安全防护： 签名校验、IP 白名单、频率限制（Rate Limiting）、防重放攻击。
• 路由分发： 根据请求中的场景字段（如 payment、login）路由到对应的决策流。
• 流量治理： 熔断、降级、超时控制，保障后端服务稳定性。

2.3.2 特征中心（Feature Center）

特征中心负责为模型引擎提供实时、准确的特征数据。其核心能力包括：

2.3.3 模型引擎（Model Engine）

模型引擎是风控决策的核心计算单元，负责加载并执行机器学习模型。其关键设计要点如下：

• 模型热加载： 支持不重启服务更新模型版本，通过文件监听或配置中心推送实现。
• 多框架支持： 统一封装 ONNX Runtime、XGBoost、TensorFlow、PyTorch 等推理引擎。
• 批处理与缓存： 对相同特征向量的请求进行结果缓存（Cache-Aside），减少重复计算。
• 模型版本路由： 根据请求中的模型版本号或 A/B 测试标识，路由到对应模型实例。

# 模型引擎核心接口示例（Python）
class ModelEngine:
    def __init__(self):
        self._models = {}  # model_name -> model_instance

    def load_model(self, model_name: str, model_path: str, framework: str):
        # 根据 framework 选择加载方式
        if framework == "onnx":
            self._models[model_name] = onnxruntime.InferenceSession(model_path)
        elif framework == "xgboost":
            self._models[model_name] = xgboost.Booster(model_file=model_path)
        # ...

    def predict(self, model_name: str, features: dict) -> dict:
        model = self._models.get(model_name)
        if not model:
            raise ModelNotFoundError(f"Model {model_name} not loaded")
        # 特征转换与推理
        result = model.predict(self._transform(features))
        return {"score": float(result[0]), "label": int(result[0] > 0.5)}

2.3.4 决策流引擎（Decision Flow Engine）

决策流引擎将规则、模型输出、外部数据源组合成可编排的决策逻辑，是风控策略的“大脑”。

决策流引擎的核心特性：

• DAG 编排： 支持有向无环图（DAG）定义节点执行顺序，节点可并行或串行执行。
• 节点类型丰富： 规则节点（Groovy / Python 脚本）、模型节点、聚合节点（加权平均、投票）、外部服务节点（调用黑名单、第三方数据）。
• 策略热更新： 通过配置中心（如 Apollo / Nacos）动态下发决策流定义，无需重启服务。
• 可观测性： 每个节点记录执行耗时、输入输出快照，便于排查与调优。

2.4 核心组件对比总结