1. 课程导论与目标：异常交易检测的背景、模型部署的意义、课程整体架构与学习目标

1.1 异常交易检测的背景与挑战

在金融科技高速发展的今天，电子支付、移动银行和数字货币交易量呈指数级增长。伴随交易便利性而来的，是日益复杂和隐蔽的欺诈行为。传统的基于规则的风控系统（如“单笔交易超过5万元触发人工审核”）已难以应对动态变化的攻击模式。异常交易检测（Anomaly Transaction Detection, ATD）因此成为金融机构风险管理的核心防线。

当前金融交易环境面临的主要挑战包括：

• 数据不平衡：正常交易占比通常超过99.9%，欺诈样本极度稀缺，导致模型难以学习有效边界。
• 实时性要求：支付授权决策必须在毫秒级完成，模型推理延迟必须控制在100ms以内。
• 概念漂移：欺诈模式随时间演变，模型需要持续更新以适应新的攻击手法。
• 合规与隐私：交易数据涉及用户敏感信息，模型部署必须满足GDPR、PCI-DSS等监管要求。

1.2 模型部署的意义：从实验到生产

在Jupyter Notebook中训练出一个高AUC的模型，仅仅是风控工作的起点。模型部署（Model Deployment）是将训练好的异常检测模型集成到真实交易处理流水线中的关键环节。其核心意义体现在以下三个维度：

本课程将重点解决从“模型训练完成”到“模型稳定服务线上交易”之间的工程鸿沟，涵盖API服务化、容器编排、特征存储、监控告警等DevOps核心实践。

1.3 课程整体架构

本课程共分为8个模块，30个章节，按照“基础-构建-部署-集成-优化”的递进逻辑组织。下图展示了课程的整体架构与知识流向：

1.4 学习目标与前置要求

完成本课程后，学员将具备以下核心能力：

1. 模型服务化能力：能够使用FastAPI将训练好的异常检测模型封装为RESTful API服务，处理实时交易评分请求。
2. 容器化部署能力：熟练编写Dockerfile和docker-compose.yml，将模型服务容器化并在Kubernetes集群中部署。
3. 特征工程在线化能力：设计并实现基于Redis的在线特征存储，支持毫秒级特征计算与获取。
4. 全链路监控能力：搭建Prometheus + Grafana监控体系，实时追踪模型推理延迟、吞吐量和数据漂移指标。
5. CI/CD集成能力：构建从代码提交到模型上线的自动化流水线，支持模型版本管理与灰度发布。

1.5 课程配套环境与工具链

本课程所有代码均在以下统一环境中验证通过，建议学员提前准备：

课程提供的示例代码仓库中包含了完整的requirements.txt和Dockerfile，学员可通过以下命令快速搭建开发环境：

# 克隆课程代码仓库
git clone https://github.com/example/atd-deployment-course.git
cd atd-deployment-course

# 创建虚拟环境并安装依赖
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate
pip install -r requirements.txt

# 验证安装
python -c "import fastapi; print(f'FastAPI version: {fastapi.__version__}')"