3. 流式决策架构概览：事件驱动架构、实时特征计算、决策引擎、反馈闭环

信用额度定价的流式决策架构，本质上是将传统的“请求-响应”批处理模式，升级为“事件-处理-反馈”的实时闭环。该架构围绕四个核心组件构建：事件驱动架构作为数据管道、实时特征计算作为特征工厂、决策引擎作为定价大脑、反馈闭环作为持续学习回路。以下从架构分层与数据流两个维度展开。

3.1 架构核心组件与职责

流式决策架构通常分为四层，每层承担明确的职责，并通过异步消息或流处理框架连接。

3.2 事件驱动架构：流式决策的“神经系统”

事件驱动架构（EDA）是流式决策的基础。所有业务动作——用户申请、还款、消费、征信查询——都被封装为不可变事件，发布到事件总线。下游消费者（特征计算、决策引擎、审计系统）通过订阅事件流实现解耦与异步处理。

• 事件类型：申请事件（application_event）、交易事件（transaction_event）、状态变更事件（status_change_event）、外部数据事件（external_data_event）。
• 事件格式：推荐使用 Avro 或 Protobuf 进行序列化，保证 schema 兼容性与演化能力。
• 分区策略：按用户 ID 或申请 ID 分区，确保同一用户的事件顺序消费，避免并发定价冲突。

3.3 实时特征计算：从事件到特征的“炼金术”

原始事件无法直接用于模型决策，必须经过特征计算转化为结构化特征。实时特征计算的核心挑战在于：在毫秒级延迟内，完成窗口聚合、跨事件关联、外部特征拼接。

Spark Structured Streaming 在该层扮演关键角色。以下是一个典型的实时特征计算流程：

// 伪代码：Spark Structured Streaming 实时特征计算
val eventStream = spark
  .readStream
  .format("kafka")
  .option("subscribe", "credit_pricing_event")
  .load()

// 1. 解析事件，提取用户ID、事件类型、时间戳
val parsedStream = eventStream
  .selectExpr("CAST(value AS STRING) as json")
  .select(from_json($"json", eventSchema).as("event"))
  .select("event.user_id", "event.event_type", "event.event_time")

// 2. 滑动窗口聚合：过去30天内的申请次数、总借款金额
val windowedFeatures = parsedStream
  .withWatermark("event_time", "10 minutes")
  .groupBy(window($"event_time", "30 days", "1 day"), $"user_id")
  .agg(
    count("*").alias("app_count_30d"),
    sum("loan_amount").alias("total_loan_30d")
  )

// 3. 与离线特征拼接（通过特征服务API）
val enrichedStream = windowedFeatures
  .map(row => {
    val onlineFeatures = FeatureService.getOnlineFeatures(row.user_id)
    // 合并在线与离线特征
    Row.fromSeq(row.toSeq ++ onlineFeatures.toSeq)
  })

3.4 决策引擎：定价模型的“执行器”

决策引擎接收实时特征向量，执行定价模型，输出信用额度与利率。该层需要同时支持规则驱动（如监管限制、风险底线）和模型驱动（如机器学习模型、评分卡）。

典型的决策流程包含三个阶段：

1. 规则前置过滤：检查用户是否在黑名单、是否满足年龄/收入硬性门槛，快速拒绝无效请求。
2. 模型评分：加载预训练的定价模型（如 XGBoost、神经网络），输入实时特征，输出初始额度与利率。
3. 后处理调整：根据业务策略（如新客优惠、渠道差异化）对模型输出进行微调，生成最终定价。

3.5 反馈闭环：让系统“越用越聪明”

流式决策架构区别于传统静态规则系统的核心，在于反馈闭环。每次决策结果、用户后续的还款/逾期行为、额度使用率等数据，都会被回写至离线存储，用于模型训练与特征评估。

反馈闭环的典型工作流：

• 在线回写：决策引擎将定价结果（额度、利率、决策原因码）写入 Kafka 回写 topic，由 Flink/Spark 作业落地到 Delta Lake 或 Hudi。
• 离线训练：每日凌晨，离线训练管道读取回写数据与用户表现标签，重新训练定价模型。
• 特征漂移检测：对比在线特征分布与离线训练集分布，若检测到显著漂移，触发告警并自动回滚至上一版本模型。
• 模型热更新：新模型通过特征服务配置中心下发，决策引擎在下一轮决策时自动加载新版本，无需重启服务。

3.6 流式决策架构总览图

下图展示了信用额度定价流式决策的完整数据流与组件关系：

3.7 架构关键设计原则

基于上述组件与数据流，流式决策架构的设计应遵循以下原则：