2. 实时拦截系统架构

实时拦截系统是保险风控的核心战场。当用户提交投保、理赔或核保请求时，系统必须在毫秒级内完成风险判定并返回决策。本章从整体架构、数据流、决策引擎、规则引擎与模型引擎五个维度，拆解一套生产级实时拦截系统的设计原理。

2.1 整体架构图

实时拦截系统采用分层解耦架构，从上到下依次为：接入层、决策编排层、引擎层与数据层。各层职责清晰，通过异步消息与同步 RPC 协同工作。

2.2 数据流

一次实时拦截请求的完整数据流分为 6 个阶段，每个阶段都有明确的输入输出与耗时约束。

2.3 决策引擎

决策引擎是编排层的核心组件，负责将规则引擎与模型引擎的输出进行融合决策。它不直接执行计算，而是扮演“裁判”角色。

• 策略路由：根据请求的 product_code、channel、amount 三个维度，从策略配置中心拉取对应的策略 ID 列表。
• 并行调用：规则引擎与模型引擎同时执行，决策引擎等待两者返回（或超时）。
• 融合逻辑：支持三种模式——一票否决（规则命中直接拦截）、加权评分（规则标签 + 模型分数加权）、级联决策（先规则后模型）。
• 结果回写：将决策结果、命中规则、模型分数写入消息队列，供离线分析使用。

# 决策引擎核心伪代码
def decide(context: FeatureContext) -> DecisionResult:
    # 1. 策略路由
    strategy = strategy_router.route(context.product_code, context.channel)
    
    # 2. 并行执行规则与模型
    rule_future = executor.submit(rule_engine.evaluate, context, strategy.rule_ids)
    model_future = executor.submit(model_engine.predict, context.features)
    
    # 3. 等待结果（带超时）
    rule_result = rule_future.result(timeout=0.01)  # 10ms
    model_result = model_future.result(timeout=0.03) # 30ms
    
    # 4. 融合决策
    if rule_result.hit_block_rules:
        return DecisionResult(action="BLOCK", reason=rule_result.hit_rules)
    
    score = model_result.score * strategy.model_weight + rule_result.risk_score * strategy.rule_weight
    action = "BLOCK" if score > strategy.threshold else "PASS"
    
    return DecisionResult(action=action, score=score)

2.4 规则引擎

规则引擎负责执行由风控专家配置的“if-then”逻辑。它要求高吞吐、低延迟，并支持热更新。

• 规则结构：每条规则包含条件（Condition）、动作（Action）、优先级（Priority）。条件支持 AND/OR 嵌套。
• 执行模式：采用 RETE 算法或线性扫描，根据规则数量选择。少于 500 条时线性扫描更快。
• 热更新：规则存储在 Redis 或配置中心，引擎定期拉取版本号，增量更新规则树。
• 常用规则类型：

2.5 模型引擎

模型引擎负责加载预训练的机器学习模型（XGBoost、LightGBM、DNN 等），并提供高性能推理服务。它是实时拦截系统的“智能大脑”。

• 模型部署：使用 ONNX Runtime 或 TensorRT 将训练好的模型转换为推理格式，加载到 GPU 或 CPU 内存中。
• 特征输入：接收来自上下文构建阶段的特征向量（通常为 100~500 维浮点数）。
• 推理输出：输出风险概率（0~1）以及可选的 SHAP 解释值。
• 版本管理：支持 A/B 测试，同一请求可同时调用新旧两个模型，对比效果。

2.6 本章小结