2. 风险拦截模型 Serving 架构总览：在线推理、离线批处理与实时流处理

保险风险拦截模型从训练完成到生产环境落地，需要根据业务场景的延迟要求、数据特征和计算成本，选择不同的 Serving 架构。本章从架构视角出发，系统梳理三种主流推理模式：在线推理、离线批处理和实时流处理，并对比其适用场景、技术栈与部署要点。

2.1 三种架构核心对比

2.2 在线推理架构（实时核保与欺诈拦截）

在线推理是保险风险拦截中最核心的 Serving 模式，直接面向投保请求、理赔申请等实时交互场景。架构以 API Gateway 为入口，经过 特征工程服务 和 模型推理引擎，最终返回风险评分与决策建议。

在线推理关键组件

• API Gateway： 负责鉴权、限流、请求路由，支持 gRPC 与 HTTP/2 协议。
• 特征工程服务： 实时拼接用户画像、保单信息、第三方数据，完成特征标准化与缺失值填充。
• 模型推理引擎： 使用 Triton Inference Server 或 TorchServe 加载模型，支持 GPU 加速与动态批处理。
• 特征存储： 高频特征缓存至 Redis，减少重复计算；低频特征从 HBase 或 MySQL 读取。

2.3 离线批处理架构（日终风险评分与批量审核）

离线批处理适用于对延迟不敏感、数据量大的场景，如每日凌晨对全量保单进行风险重评估、批量续保审核。架构以 任务调度中心 为驱动，通过 分布式计算引擎 完成大规模特征工程与模型推理。

离线批处理执行流程

1. 任务触发： 调度中心（Airflow / DolphinScheduler）按 Cron 表达式触发日终任务。
2. 数据加载： 从 HDFS 或数据仓库读取待评估保单宽表，分区裁剪避免全表扫描。
3. 特征工程： 使用 Spark SQL 完成特征聚合、窗口计算，生成模型输入向量。
4. 模型推理： 加载预训练模型（XGBoost / LightGBM / DNN），通过 mapPartitions 批量推理。
5. 结果落地： 风险评分写入结果表，高风险保单触发告警或人工审核流程。

2.4 实时流处理架构（行为埋点实时预警与动态定价）

实时流处理介于在线与离线之间，适用于需要秒级响应但数据量持续涌入的场景，如用户行为埋点实时风险预警、基于驾驶行为的车险动态定价。架构以 消息队列 为缓冲，流处理引擎 完成状态管理与模型推理。

流处理架构关键设计

• 消息队列： 使用 Kafka 作为数据缓冲，设置合理的分区数（建议为 Flink 并行度的 2~3 倍）。
• 状态管理： 使用 Flink Keyed State 存储用户会话特征，如 30 秒内点击频次、设备指纹等。
• 模型推理： 在 ProcessFunction 中调用模型，支持 ONNX Runtime 或 PMML 引擎，避免 Python 进程通信开销。
• 结果输出： 高风险事件直接写入告警 Topic，动态定价结果更新至 Redis 供在线服务读取。

2.5 架构选型决策矩阵