2. 风险拦截系统架构总览：在线决策引擎、特征平台、模型服务、规则引擎的协作关系与数据流

实时风险拦截系统是一个多组件协同的在线决策体系。核心由在线决策引擎、特征平台、模型服务与规则引擎四大模块构成。它们通过标准化的数据接口与异步/同步调用模式，在毫秒级时间内完成从请求接入到风险判决的完整链路。

2.1 核心组件职责与协作关系

下表梳理了四个核心组件在风险拦截系统中的定位、输入输出与关键性能指标：

组件	核心职责	输入	输出	关键指标
在线决策引擎	编排决策流程，聚合规则与模型结果，输出最终风险判决	原始请求、上下文、特征向量、规则命中结果、模型分数	风险等级（pass/review/reject）、处置动作、响应码	P99 延迟 < 50ms；吞吐量 > 10k QPS
特征平台	实时计算与存储特征，提供高性能特征查询服务	原始事件流、离线特征、实时聚合指标	特征向量（key-value 格式）、特征版本号	P99 查询延迟 < 5ms；特征新鲜度 < 1s
模型服务	加载并运行机器学习模型，提供推理结果	特征向量、模型 ID、模型版本	模型分数、概率值、分类标签、可解释性归因	P99 推理延迟 < 20ms；GPU 利用率 > 70%
规则引擎	执行预定义规则集，进行快速模式匹配与阈值判断	原始请求字段、特征值、上下文变量	规则命中列表、风险标签、累计次数	P99 执行延迟 < 5ms；规则数 > 1000 条

2.2 数据流与调用时序

一次完整的风险拦截请求，其数据流遵循“请求入 → 特征准备 → 规则预判 → 模型推理 → 决策聚合 → 响应出”的标准化时序。下图展示了核心组件之间的数据流向与调用关系：

2.3 决策引擎的编排策略

在线决策引擎是整个系统的“大脑”，其编排策略直接影响拦截效果与系统开销。常见的编排模式包括：

• 串行编排：按规则 → 特征 → 模型顺序执行，适合对延迟不敏感但需要严格依赖的场景。
• 并行编排：规则引擎与特征平台同时调用，模型服务在特征就绪后触发，适合追求低延迟的场景。
• 条件编排：根据规则命中结果动态决定是否调用模型服务。例如，规则引擎判定为“白名单”时直接放行，跳过模型推理，节省计算资源。
• 熔断编排：当模型服务超时或异常时，决策引擎自动降级为纯规则判决，保证系统可用性。

2.4 特征平台与模型服务的接口规范

特征平台与模型服务之间的数据交换是系统性能的关键瓶颈。标准化的接口设计能显著降低集成成本与调试难度。下图展示了特征平台与模型服务之间的详细数据交互规范：

2.5 关键设计原则与避坑指南