1. 课程导论：模型风险管理背景、API流量控制与熔断的重要性、课程目标与学习路径
1.1 模型风险管理背景
在金融、医疗、自动驾驶等强监管行业中，机器学习模型已从辅助工具演变为核心决策引擎。模型风险管理（Model Risk Management, MRM）旨在识别、度量、监控和缓解因模型设计缺陷、数据偏差、部署环境变化或误用而导致的潜在损失。随着模型数量激增和API化部署成为主流，传统以“模型验证报告”为核心的静态管理方式已无法应对实时、高频、动态的模型调用风险。
核心驱动因素：
- 监管趋严：巴塞尔委员会、美联储SR 11-7、中国银保监会《商业银行模型风险管理指引》均要求建立全生命周期模型治理框架。
- API经济爆发：超过70%的企业模型通过REST/gRPC API对外暴露，模型即服务（MaaS）成为主流交付形态。
- 风险传导加速：一个模型API的异常（如响应延迟、错误输出）可在秒级传导至下游数十个业务系统。
1.2 API流量控制与熔断的重要性
模型API与传统业务API的关键区别在于：模型推理具有非确定性计算开销和状态敏感性。当流量突发时，模型API可能表现出性能退化、精度漂移甚至完全失效。流量控制与熔断机制成为模型风险管理在运行时层面的核心防线。
| 风险维度 | 无流量控制时的典型后果 | 流量控制与熔断的价值 |
|---|---|---|
| 计算资源耗尽 | GPU/CPU过载，推理延迟从50ms飙升至5s | 限流保护资源，维持SLO达标率 |
| 模型精度漂移 | 高并发下模型缓存失效，输出分布偏移 | 熔断隔离异常模型版本，回滚至稳定版本 |
| 级联故障 | 一个模型API雪崩导致下游10+服务连锁崩溃 | 快速熔断切断故障传播路径 |
| 成本失控 | 无限制调用导致云推理成本超预算300% | 配额控制与优先级调度 |
关键认知：模型API的流量控制不是简单的“限速”，而是融合了模型性能基线、业务优先级、成本预算和风险容忍度的多维决策过程。
1.3 课程目标与学习路径
本课程面向模型风险管理从业者、AI系统架构师和SRE工程师，旨在构建从理论到实战的完整知识体系。
课程三大目标：
- 理解模型API风险的独特性：区分模型API与传统API的风险特征，掌握模型性能基线、精度监控和资源画像方法。
- 掌握流量控制与熔断的工程实现：从令牌桶、漏桶到自适应限流，从熔断器状态机到半开探测，覆盖主流算法与开源框架（Sentinel、Resilience4j、Envoy）。
- 构建可落地的模型风险管理体系：结合模型版本管理、A/B测试、灰度发布和监控告警，形成闭环治理能力。
1.4 学习路径与章节地图
| 阶段 | 章节范围 | 核心交付物 |
|---|---|---|
| 基础篇 | 第1-5章 | 模型风险识别框架、API流量特征分析、限流算法原理 |
| 进阶篇 | 第6-15章 | 熔断器设计模式、自适应限流、优先级调度、降级策略 |
| 实战篇 | 第16-25章 | Sentinel集成、Envoy WASM过滤、Kubernetes HPA联动、全链路压测 |
| 治理篇 | 第26-30章 | 模型风险监控大盘、审计日志、混沌工程、持续改进 |
学习建议：每章均配有可运行的代码示例和配置模板。建议在本地或云环境搭建一套最小化模型API服务（如基于FastAPI + ONNX Runtime），边学边练，效果最佳。
前置要求：建议学习者具备以下基础：熟悉HTTP/REST API基本概念、了解微服务架构、掌握至少一种编程语言（Python/Java/Go）。本课程不要求深度学习模型开发经验，但理解模型推理的基本流程（输入预处理→模型计算→后处理）将有助于掌握API风险控制要点。