1. 课程导论：低延迟风控推理的定义、业务价值、与传统风控架构的对比、课程目标与前置知识
1.1 什么是低延迟风控推理？
低延迟风控推理是指在毫秒级（通常 < 100ms，极端场景 < 10ms）内完成风险识别、策略计算与决策输出的技术体系。它并非简单地将传统风控系统“加速”，而是从数据采集、特征计算、规则/模型推理到决策反馈的全链路架构重构。
核心指标： 端到端 P99 延迟 ≤ 50ms，吞吐量 ≥ 10,000 TPS，决策结果在单次用户请求往返内返回。
1.2 业务价值：为什么低延迟如此关键？
在支付、信贷、交易、内容审核等场景中，风控延迟直接转化为用户体验损失和业务风险敞口。以下是低延迟风控推理带来的核心业务价值：
| 业务场景 | 延迟容忍上限 | 低延迟带来的价值 |
|---|---|---|
| 线上支付（扫码/快捷） | 200ms（含网络） | 支付成功率提升 3-5%，用户流失率降低 15% |
| 实时信贷审批 | 500ms（含征信查询） | 授信转化率提升 20%，坏账率可控 |
| 高频交易风控 | 1ms（交易所级） | 避免滑点损失，满足监管合规 |
| 内容/社交风控 | 100ms（用户发布） | 即时拦截违规内容，减少平台风险 |
经验数据： 风控决策延迟每增加 100ms，支付场景的用户放弃率上升约 7%；信贷场景的授信完成率下降约 12%。低延迟不是“锦上添花”，而是业务增长的刚性约束。
1.3 与传统风控架构的对比
传统风控架构通常基于离线批处理或准实时（分钟级）的 Hadoop/Spark 生态，而低延迟风控架构则面向在线推理场景。两者在多个维度存在本质差异：
| 对比维度 | 传统风控架构 | 低延迟风控架构 |
|---|---|---|
| 处理模式 | 离线批处理 / T+1 | 在线实时推理 / 毫秒级 |
| 数据源 | HDFS、Hive 表、离线日志 | 实时消息流（Kafka）、本地缓存、内存数据库 |
| 特征计算 | MapReduce / Spark 批量聚合 | 流式计算（Flink）+ 预计算 + 本地特征服务 |
| 规则/模型 | 离线规则文件、PMML 模型 | 内存规则引擎、ONNX/TensorRT 模型推理 |
| 存储依赖 | MySQL、HBase（远程 RPC） | Redis / 本地堆外内存 / 共享内存 |
| 延迟目标 | 分钟级 ~ 小时级 | P99 < 50ms |
| 容错策略 | 任务重试、数据回溯 | 降级、熔断、本地缓存兜底 |
1.4 课程目标
本课程旨在帮助学员从零到一搭建一套生产级低延迟风控推理链路。完成本课程后，学员将具备以下能力：
- 架构设计能力： 能够根据业务场景（支付、信贷、交易等）设计合理的低延迟风控架构，包括数据流、特征服务、规则引擎、模型推理、决策输出等模块。
- 核心组件选型： 掌握内存数据库（Redis）、流式计算（Flink）、规则引擎（Drools/自研）、模型推理（ONNX/TensorRT）等组件的选型与集成要点。
- 性能调优实战： 学会从 JVM、操作系统、网络、数据结构等层面进行延迟优化，掌握 GC 调优、零拷贝、无锁编程等关键技术。
- 容错与降级： 设计熔断、降级、本地缓存兜底等机制，确保在极端流量或依赖故障下系统仍可提供基础风控能力。
- 可观测性建设： 构建全链路追踪、延迟指标采集、实时告警体系，实现风控链路的持续监控与优化。
1.5 前置知识要求
为了确保学习效果，建议学员具备以下基础：
| 知识领域 | 具体要求 | 推荐学习资源 |
|---|---|---|
| Java 编程 | 熟悉多线程、并发编程、JVM 内存模型 | 《Java 并发编程实战》 |
| 网络基础 | 理解 TCP/IP、HTTP、RPC 协议，了解 Netty 或类似框架 | 《Netty 实战》 |
| 数据存储 | 熟悉 Redis、MySQL，了解内存数据库与缓存策略 | 《Redis 设计与实现》 |
| 风控基础 | 了解规则引擎、评分卡、机器学习模型的基本概念 | 《风控算法实战》 |
| Linux 系统 | 掌握常用命令、性能分析工具（perf、strace、top） | 《性能之巅》 |
注意： 本课程不涉及基础编程教学。如果对 Java 并发、JVM 调优、Redis 数据结构等知识不熟悉，建议先完成前置学习再开始本课程，否则可能在学习性能调优章节时遇到困难。