1. 课程导学与风控背景
1.1 实时风控的定义与业务价值
实时风控（Real-time Risk Control）是指在交易、登录、信贷等业务请求发生的毫秒级时间窗口内，通过规则引擎或机器学习模型对请求进行风险评分与决策，从而拦截欺诈、盗刷、恶意注册等行为的技术体系。与传统的离线批处理风控相比，实时风控的核心差异在于延迟与决策时效性。
| 对比维度 | 离线风控（Batch） | 实时风控（Real-time） |
|---|---|---|
| 决策延迟 | 分钟级 ~ 小时级 | 毫秒级（通常 < 200ms） |
| 数据时效 | T+1 或近线 | 当前请求 + 实时特征 |
| 典型场景 | 贷后监控、批量反洗钱 | 支付拦截、登录校验、实时授信 |
| 模型更新 | 日/周级重训练 | 在线学习 / 模型热更新 |
| 业务价值 | 事后分析、合规报告 | 直接止损、提升用户体验 |
业务价值总结：实时风控每提前 100ms 拦截一笔欺诈交易，可为企业减少数千至数万元损失；同时通过降低误杀率，保障正常用户的支付通过率与登录成功率。
1.2 常见实时风控场景
- 支付风控：交易金额异常、异地支付、设备指纹突变、短时间内高频支付等。决策结果：放行、增强验证（OTP/人脸）、拦截。
- 登录风控：账号密码暴力破解、撞库、异常 IP/设备登录、非活跃账号突然登录。决策结果：允许登录、滑块验证、短信验证、临时封禁。
- 信贷风控：实时授信、反欺诈评分、多头借贷检测、申请信息一致性校验。决策结果：自动通过、人工审核、拒绝。
场景共性：三个场景均要求模型在 50~200ms 内完成特征计算 + 模型推理 + 决策输出，且需要支持高并发（QPS 数千至数万）。
1.3 XGBoost 在风控中的核心优势
XGBoost（eXtreme Gradient Boosting）是梯度提升树（GBDT）的高效实现，在风控领域长期占据工业级模型的主导地位。其优势可归纳为以下五点：
- 高精度与鲁棒性：通过二阶泰勒展开 + 正则化项，在结构化数据上通常优于逻辑回归、随机森林等传统模型。
- 特征重要性可解释：内置特征重要性排序（gain/cover/frequency），满足风控合规与业务解释需求。
- 缺失值自动处理：稀疏感知算法（Sparsity-aware）自动学习缺失值分裂方向，无需额外填充。
- 推理速度快：单棵树为 if-else 结构，C++ 实现，单次推理耗时通常在微秒级，适合实时 Serving。
- 生态成熟：支持原生模型导出（.json/.pkl）、ONNX 转换、Treelite 编译，便于部署到 Java/C++/Go 等生产环境。
注意：XGBoost 在实时风控中的瓶颈通常不在模型推理本身，而在 实时特征计算（如滑动窗口聚合、图特征提取）与 模型热更新 的工程架构设计。本课程后续章节将重点解决这两个问题。
1.4 实时风控模型 Serving 架构总览
下图展示了实时风控模型从请求接入到决策返回的完整链路，XGBoost 模型位于推理引擎核心层。
1.5 课程学习路径与实战目标
本课程将围绕以下主线展开：
| 阶段 | 核心内容 | 实战产出 |
|---|---|---|
| 基础篇 | XGBoost 原理、特征工程、模型训练与调参 | 可复现的风控模型训练 Pipeline |
| 工程篇 | 模型导出、Java/C++ Serving、Docker 部署 | 低延迟实时推理服务 |
| 进阶篇 | 模型热更新、AB 测试、监控告警、性能压测 | 生产级实时风控系统 |
课程最终目标：学员能够独立搭建一套基于 XGBoost 的实时风控模型 Serving 系统，支持支付、登录、信贷三类场景的毫秒级风险决策，并具备模型迭代与运维能力。