2. 流式决策链路基础：实时决策与批处理决策的区别、流式架构在风控中的价值
2.1 实时决策 vs 批处理决策：核心差异
在信用额度定价场景中，决策时效性直接决定了用户体验与风险敞口。传统批处理决策以“日终跑批”为主，而流式决策要求“事件触发、毫秒响应”。两者在数据范围、计算模式、存储选型上存在本质区别。
| 对比维度 | 批处理决策 | 流式决策 |
|---|---|---|
| 触发方式 | 定时调度（如每日凌晨 T+1） | 事件驱动（用户点击、交易发生） |
| 数据范围 | 全量历史数据（T-1 快照） | 滑动窗口 + 实时增量 |
| 计算延迟 | 分钟级 ~ 小时级 | 毫秒级 ~ 秒级 |
| 状态管理 | 离线表 / Hive 分区 | 内存状态存储（RocksDB / Redis） |
| 典型场景 | 额度重算、贷后监控报表 | 实时提额、交易拦截、动态定价 |
| 容错语义 | Exactly-Once（通过事务） | At-Least-Once / Exactly-Once（Checkpoint） |
关键认知： 批处理适合“事后分析”与“批量重算”，流式决策适合“事中干预”与“个性化实时定价”。两者并非替代关系，而是互补——流式层负责秒级响应，批处理层负责模型训练与离线校准。
2.2 流式架构在风控中的核心价值
将决策链路从“T+1 跑批”升级为“流式实时”，对信用额度定价业务带来四个层面的价值提升：
- 时效性跃升： 用户行为发生后 500ms 内完成额度计算与定价，支持“先享后付”等场景的即时授信。
- 风险闭环加速： 欺诈交易、多头借贷等风险信号可秒级触发额度冻结或降价策略，缩短风险敞口暴露时间。
- 动态定价能力： 基于实时消费频次、还款行为、设备指纹等特征，动态调整利率与额度，实现“千人千面”定价。
- 资源利用率优化： 流式计算按事件粒度分配资源，避免批处理全量扫描带来的计算浪费，降低集群峰值压力。
实战经验： 在头部消费金融平台，将额度重算从每日凌晨 2 点跑批改为实时流式决策后，用户提额响应时间从 24 小时缩短至 3 秒，同时因实时拦截多头借贷，不良率下降 0.8 个百分点。
2.3 流式决策链路架构总览
下图展示了一个典型的信用额度流式决策链路，从事件接入到最终定价输出，包含 5 个核心阶段：
2.4 流式决策 vs 批处理决策：技术选型对比
在实际工程落地中，需要根据业务场景选择合适的技术栈。下表对比了两种模式在关键组件上的选型差异：
| 技术维度 | 批处理选型 | 流式选型 |
|---|---|---|
| 计算引擎 | Spark Batch / Hive / MapReduce | Spark Structured Streaming / Flink / Kafka Streams |
| 存储系统 | HDFS / Hive 表 / 对象存储 | Kafka / Redis / RocksDB / 内存状态 |
| 调度方式 | Crontab / Airflow / Oozie | 事件触发 / 持续运行 |
| 数据一致性 | 事务 + 幂等写入 | Checkpoint + 幂等输出 |
| 监控指标 | 任务完成时间 / 数据量 | 延迟 / 吞吐 / 背压 |
2.5 流式架构在风控中的典型应用场景
- 实时额度调整： 用户完成一笔大额消费后，流式作业立即评估其还款能力与历史行为，动态提升或降低可用额度。
- 多头借贷实时拦截： 当用户同时在 3 个以上平台申请授信时，流式规则引擎秒级触发“拒绝”或“降价”策略。
- 动态利率定价： 基于实时设备指纹、IP 风险分、行为序列异常检测，对高风险用户实时上浮利率。
- 欺诈交易熔断： 同一设备短时间内关联多个不同用户，流式 CEP 模式匹配后立即冻结额度。
避坑提示： 流式决策并非万能。对于需要全量历史数据做复杂统计（如年度收入汇总）的场景，仍应使用批处理。流式层应聚焦“短窗口、轻计算、快决策”，避免在流中做全表 Join 或复杂机器学习训练。
2.6 流式决策链路的关键设计原则
- 事件不可变： 所有输入事件写入 Kafka 后不可修改，流式作业只做追加读取，保证可重放。
- 状态与计算分离： 实时状态存储在外部 KV 存储（Redis / RocksDB），计算节点无状态，便于弹性伸缩。
- 幂等输出： 定价结果写入下游时携带唯一 ID，支持重复消费场景下的幂等更新。
- 降级与熔断： 当实时链路延迟超过阈值（如 2s），自动降级为预计算缓存定价，避免系统雪崩。
- 可观测性： 每个决策节点输出延迟、处理量、拒绝率等指标，接入 Prometheus + Grafana 监控。