3、实时决策系统架构：事件驱动架构、微服务与流处理、端到端决策延迟要求
在信用额度定价的流式决策场景中，系统架构的设计直接决定了能否在毫秒级时间内完成“事件接入 → 特征计算 → 模型推理 → 定价输出”的全链路。本章聚焦于事件驱动架构（EDA）、微服务与流处理的融合模式，以及端到端延迟的硬性约束。
3.1 事件驱动架构（EDA）的核心模型
事件驱动架构将每一次用户行为（如刷卡消费、额度调整请求、还款入账）视为不可变的事件，通过事件总线进行异步分发。在信用额度定价场景中，事件是决策的触发源，也是状态变更的持久化记录。
关键事件类型：
- 交易事件： 消费金额、商户类别、交易时间、地理位置。
- 账户事件： 额度变更、还款入账、逾期标记、个人信息更新。
- 外部事件： 征信报告更新、多头借贷预警、市场利率变动。
事件驱动架构的三大核心组件：
| 组件 | 职责 | 在定价决策中的角色 |
|---|---|---|
| 事件生产者 | 产生原始事件并发布到总线 | API网关、交易系统、数据同步管道 |
| 事件总线 | 解耦生产者和消费者，保证至少一次投递 | Apache Kafka / Pulsar 作为核心消息层 |
| 事件消费者 | 订阅特定事件类型，执行业务逻辑 | Spark Structured Streaming 作业、微服务决策引擎 |
3.2 微服务与流处理的融合模式
信用额度定价决策不能仅靠单一的流处理作业完成，需要微服务提供状态查询、模型版本管理、外部数据补全等能力。融合模式通常分为以下三种：
| 融合模式 | 描述 | 典型场景 | 延迟影响 |
|---|---|---|---|
| 流内嵌服务调用 | Spark 作业在 map/flatMap 中同步调用微服务 REST/gRPC 接口 | 实时查询用户分层标签、黑名单状态 | 增加 5~50 ms 每事件 |
| 事件驱动服务编排 | 流作业输出中间事件，微服务订阅后异步处理并回写结果到状态存储 | 模型特征补全、外部征信评分获取 | 增加 100~500 ms 端到端 |
| 状态存储共享 | 流作业与微服务共享 Redis / Cassandra 状态，避免重复计算 | 实时额度余额、近30天消费汇总 | 几乎无额外延迟 |
架构建议： 对于延迟敏感的特征（如当前可用额度），优先使用状态存储共享模式；对于非核心的外部数据补全，采用事件驱动服务编排，避免阻塞主决策链路。
3.3 端到端决策延迟要求
信用额度定价的实时决策对延迟有严格的层级要求。不同业务场景的容忍度差异显著：
| 决策场景 | 目标延迟（P99） | 最大容忍延迟 | 主要瓶颈 |
|---|---|---|---|
| 刷卡交易实时调额 | < 200 ms | 500 ms | 模型推理 + 风控规则 |
| 主动提额请求 | < 1 s | 3 s | 特征工程 + 多模型集成 |
| 批量定价更新（日终） | < 30 min | 60 min | 全量特征计算 + 模型重训 |
端到端延迟的分解公式：
总延迟 = 事件传输延迟 + 反序列化延迟 + 特征计算延迟 + 模型推理延迟 + 定价规则延迟 + 结果回写延迟在 Spark 流式决策中，典型的延迟分布如下：
- 事件传输（Kafka → Spark）： 5~15 ms（取决于分区数和网络拓扑）
- 特征计算（窗口聚合 + 维表 Join）： 20~80 ms（受状态大小影响）
- 模型推理（模型 serving 调用）： 30~150 ms（模型复杂度与 batch 大小）
- 定价规则与回写： 10~30 ms
避坑提示： 不要将模型 serving 部署在 Spark Executor 进程内。这会严重干扰 Spark 的 Task 调度，导致背压和 OOM。始终将模型推理独立为微服务或专用推理引擎，通过异步 RPC 调用。
3.4 架构决策清单
在设计实时决策系统时，以下清单可作为架构评审的检查项：
- 事件 schema 管理： 是否使用 Avro / Protobuf 并注册到 Schema Registry？
- 背压处理： Spark 的 maxOffsetsPerTrigger 是否配置？Kafka 消费速率是否与下游处理能力匹配？
- 状态容错： 流处理作业是否启用 WAL（Write-Ahead Log）和 checkpoint？
- 服务降级： 当模型 serving 超时或不可用时，是否使用兜底规则（如固定利率）？
- 延迟监控： 是否在每条决策记录中埋入时间戳，用于端到端延迟的实时度量？
总结： 事件驱动架构为信用额度定价提供了松耦合、可扩展的基础；微服务与流处理的融合模式决定了特征获取和模型推理的效率；端到端延迟要求则倒逼每一环节的极致优化。三者共同构成了实时决策系统的技术骨架。