1. 课程导学与风控概述
1.1 课程目标与学习路径
本课程面向具备机器学习基础、希望掌握工业级实时风控系统构建能力的工程师。课程核心目标为：从零搭建一套基于 XGBoost 模型、可支撑高并发支付/信贷/营销场景的在线 Serving 实时风控系统。
| 阶段 | 核心内容 | 产出物 |
|---|---|---|
| 第一阶段：基础夯实 | 风控业务指标、XGBoost 原理、特征工程 | 离线训练 Pipeline |
| 第二阶段：模型部署 | 模型序列化、Serving 框架选型、Docker 容器化 | 在线推理服务 |
| 第三阶段：实时链路 | 特征实时计算、流式样本拼接、延迟优化 | 端到端实时风控链路 |
| 第四阶段：监控与迭代 | 模型漂移检测、A/B 实验、自动重训 | 闭环迭代体系 |
学习前提：熟悉 Python、SQL 基础，了解决策树与梯度提升概念。课程提供配套代码仓库与数据集，建议按章节顺序动手实践。
1.2 实时风控业务场景
实时风控的核心是在毫秒级时间内对每一笔交易、每一次申请或每一次营销动作做出风险判断。不同业务场景对延迟、特征来源和决策逻辑的要求差异显著。
支付场景
- 典型事件：用户发起一笔在线支付（银行卡、钱包、扫码）。
- 风险类型：盗刷、伪冒交易、账户盗用、洗钱。
- 关键约束：响应时间 < 100ms，吞吐量 > 5000 TPS，拒绝误伤率 < 0.1%。
- 特征特点：设备指纹、IP 地理信息、交易金额频次、历史行为序列。
信贷场景
- 典型事件：用户提交借款申请或发起提现。
- 风险类型：欺诈申请、多头借贷、恶意逾期。
- 关键约束：响应时间 < 500ms（含人行征信查询），吞吐量 > 200 QPS，坏账率 < 2%。
- 特征特点：多头借贷指数、社交网络关系、收入负债比、运营商数据。
营销场景
- 典型事件：用户领取优惠券、参与秒杀、分享红包。
- 风险类型：羊毛党、机器注册、批量刷单、虚假裂变。
- 关键约束：响应时间 < 50ms，吞吐量 > 10000 QPS，营销资金浪费降低 30%+。
- 特征特点：设备关联图谱、IP 聚集度、行为速度异常、注册时长。
1.3 风控系统核心指标
实时风控系统是典型的延迟敏感 + 高可用 + 高精度系统。以下三个指标直接决定系统能否上线运行。
| 指标 | 定义 | 典型要求 | 影响环节 |
|---|---|---|---|
| 响应时间 (P99) | 从请求到达至返回决策结果的第 99 百分位耗时 | 支付 < 100ms，营销 < 50ms | 特征计算、模型推理、网络 IO |
| 吞吐量 (QPS/TPS) | 系统每秒能处理的请求数量 | 支付 > 5000 TPS，营销 > 10000 QPS | 模型 Serving 并发、数据库连接池 |
| 准确率 (Precision/Recall) | 模型对风险样本的识别能力 | Precision > 90%，Recall > 85% | 特征质量、模型调参、样本平衡 |
工程经验：在实时风控中，P99 响应时间比平均响应时间更重要。平均时间 20ms 但 P99 达到 500ms 的系统，在大促流量尖峰时会大量超时，导致风控降级或直接放行。
1.4 实时风控系统架构总览
本课程将构建的实时风控系统包含以下核心模块，XGBoost 模型 Serving 位于决策引擎层。
课程重点：本课程将聚焦决策引擎层中的 XGBoost 模型 Serving 部分，涵盖模型加载、特征对齐、并发推理、延迟优化和版本管理。其他层（特征计算、监控迭代）也会涉及，但深度以支撑 Serving 落地为准。
1.5 本章小结
- 课程按基础 → 部署 → 实时链路 → 监控迭代四阶段推进，最终交付可运行的实时风控系统。
- 支付、信贷、营销三大场景对延迟、吞吐和特征各有侧重，Serving 架构需因场景制宜。
- 核心指标 P99 响应时间、吞吐量、准确率是衡量系统成败的硬性门槛。
- 实时风控系统是多层架构，XGBoost Serving 位于决策引擎核心位置。