1. 风控评分通道概述
1.1 什么是风控评分通道
风控评分通道（Risk Scoring Channel）是实时风控系统中负责接收业务请求、执行评分计算并返回决策结果的核心处理链路。它并非单一算法模型，而是一套包含数据接入、特征工程、模型推理、规则引擎、决策输出的完整管道。在高并发场景下，评分通道的吞吐能力直接决定了风控系统的实时性与准确性。
核心定义：风控评分通道 = 请求预处理 + 特征计算 + 模型评分 + 规则决策 + 结果回写，五阶段串联形成的一次完整风控评估过程。
1.2 核心业务场景
风控评分通道在以下三大业务场景中承担关键角色，每个场景对通道的延迟、吞吐和准确率要求各有侧重：
| 业务场景 | 典型请求量级 | 容忍延迟 | 核心关注点 |
|---|---|---|---|
| 信贷审批 | 万级～百万级/日 | 1～5 秒 | 欺诈识别、还款能力评估、多头借贷检测 |
| 支付交易 | 十万级～千万级/日 | 100～500 毫秒 | 盗刷拦截、交易真实性校验、设备指纹匹配 |
| 反欺诈 | 百万级～亿级/日 | 50～200 毫秒 | 团伙识别、行为序列异常、实时黑名单命中 |
场景差异提示：支付和反欺诈场景对延迟极度敏感，通常要求 P99 延迟在 200ms 以内；信贷审批可接受秒级延迟，但对模型 AUC 和规则覆盖率要求更高。
1.3 高并发下的核心挑战
当业务流量从日常峰值突增到秒杀、大促或攻击流量时，风控评分通道面临以下四大核心挑战：
- 请求洪峰与资源争抢：瞬时 QPS 可达日常的 10～50 倍，导致 CPU、内存、数据库连接池、外部服务接口全部成为瓶颈。
- 特征计算与模型推理的耗时放大：单次评分涉及数十到数百个特征，特征工程中的 SQL 查询、缓存穿透、外部 API 调用在并发下会显著放大延迟。
- 状态一致性与幂等性：同一笔交易可能被重复评分（重试、异步回调），通道必须保证幂等，避免重复扣分或重复写入决策结果。
- 降级与熔断的精准性：当依赖的第三方数据源（如征信、设备指纹）超时或不可用时，通道需要快速降级，避免整体雪崩。
1.4 通道性能关键指标
衡量一个风控评分通道在高并发下的表现，通常使用以下指标：
| 指标 | 定义 | 健康阈值（支付场景） |
|---|---|---|
| QPS | 每秒可处理的评分请求数 | ≥ 5000 |
| P99 延迟 | 99% 的请求在多少毫秒内完成 | ≤ 200ms |
| 超时率 | 超过约定时间未返回结果的请求占比 | ≤ 0.1% |
| 降级率 | 因依赖不可用而触发降级的请求占比 | ≤ 1% |
| 评分准确率 | 评分结果与人工复核结果的一致率 | ≥ 99.5% |
常见误区：很多团队只关注模型 AUC 而忽略通道的 P99 延迟。实际上，在高并发场景下，延迟劣化导致的超时降级比模型精度下降带来的损失更大——超时的请求往往被直接放行，成为真正的风控漏洞。
1.5 通道架构演进趋势
从单体架构到分布式微服务，风控评分通道的架构经历了三代演变：
- 第一代（单体通道）：所有逻辑部署在单台应用服务器，依赖关系型数据库。瓶颈明显，QPS 通常低于 500。
- 第二代（缓存+异步通道）：引入 Redis 缓存特征数据，使用消息队列异步回写结果。QPS 可提升至 2000～5000，但存在缓存穿透和异步一致性问题。
- 第三代（实时计算+弹性伸缩通道）：基于 Flink/Spark Streaming 做实时特征计算，结合 Kubernetes 弹性伸缩和全链路压测。QPS 可达数万甚至十万级别，延迟控制在百毫秒内。