授信决策引擎架构概览

授信决策引擎是金融科技核心系统，其架构设计直接决定了API的响应速度、扩展性与稳定性。本章从整体架构分层、核心组件、数据流与决策流三个维度展开，帮助您建立对引擎全貌的系统认知。

整体架构分层

授信决策引擎采用经典的三层架构：接入层、决策层、数据层。每一层职责清晰，层间通过轻量级协议通信，便于独立扩展与优化。

核心组件

决策层是引擎的"大脑"，由三大核心组件构成：规则引擎、模型引擎、特征平台。三者协同工作，完成从原始数据到决策结果的转换。

1. 规则引擎

负责执行业务规则（如黑名单、多头借贷、额度计算）。采用RETE算法或决策表实现，支持热部署与版本管理。

• 规则类型：准入规则、反欺诈规则、额度规则、定价规则
• 执行模式：顺序执行、优先级执行、并行分组执行
• 优化要点：规则剪枝、条件索引、预编译

2. 模型引擎

负责加载并运行机器学习模型（如XGBoost、逻辑回归、神经网络）。支持模型热加载、批处理推理与模型版本灰度。

• 模型格式：PMML、ONNX、PaddlePaddle、TensorFlow SavedModel
• 推理优化：模型量化、算子融合、GPU/CPU异构调度
• 延迟指标：单模型推理 < 10ms，多模型串行 < 30ms

3. 特征平台

提供特征的实时计算、存储与获取能力。是连接数据层与决策层的"中间件"。

• 特征类型：基础特征（用户画像）、衍生特征（近30天申请次数）、外部特征（征信报告）
• 存储策略：热数据（Redis）、温数据（SSD）、冷数据（HBase）
• 计算模式：实时计算（Flink）、离线预计算（Spark）

数据流与决策流

理解数据在引擎中的流转路径，是进行低延迟优化的前提。下面分别描述数据流（特征数据的获取与计算）和决策流（业务逻辑的执行顺序）。

数据流

1. 请求入站：接入层解析API请求，提取用户ID、订单ID等关键标识。
2. 特征获取：特征平台根据标识，从本地缓存（Redis）或远程存储（HBase）拉取特征。
3. 特征计算：实时计算衍生特征（如近7天申请次数、收入负债比）。
4. 特征聚合：将基础特征与衍生特征合并为特征向量，供规则引擎与模型引擎使用。

决策流

1. 准入规则：检查年龄、地域、黑名单等硬性条件，不满足则直接拒绝。
2. 反欺诈规则：执行设备指纹、关联网络、多头借贷等规则，标记风险等级。
3. 模型评分：调用评分卡或机器学习模型，输出信用评分与违约概率。
4. 额度定价：根据评分与策略矩阵，计算授信额度与利率。
5. 结果输出：组装决策结果（通过/拒绝/人工审核），返回接入层。

数据流与决策流对比