3. 流式计算基础：流式计算与批处理的区别、事件驱动架构、消息队列（Kafka）在决策链路中的角色

在信用额度定价场景中，数据从产生到决策的延迟直接影响用户体验与风险敞口。传统批处理架构难以满足毫秒级响应需求，而流式计算与事件驱动架构成为实时决策的核心技术底座。本节将系统梳理流式计算与批处理的本质差异、事件驱动架构的设计原则，以及消息队列（Kafka）在决策链路中的关键作用。

3.1 流式计算 vs 批处理：核心差异对比

批处理（Batch Processing）与流式计算（Stream Processing）代表了两种截然不同的数据处理哲学。批处理假设数据已完整到达，适合离线分析；流式计算则假设数据持续到达，适合实时响应。下表从多个维度对比两者的关键差异：

3.2 事件驱动架构：实时决策的骨架

事件驱动架构（Event-Driven Architecture, EDA）是流式计算的上层设计模式。在EDA中，系统组件通过事件进行异步通信，每个组件独立响应事件，无需直接调用其他服务。这种松耦合设计天然适合信用额度定价中多数据源、多决策节点的场景。

事件驱动架构的核心组件包括：

• 事件生产者（Event Producer）：产生原始事件，如用户申请、交易发生、征信报告更新。
• 事件通道（Event Channel）：传输事件的中间层，通常由消息队列实现。
• 事件处理器（Event Processor）：消费事件并执行业务逻辑，如特征计算、模型推理、额度调整。
• 事件存储（Event Store）：持久化事件历史，用于回溯、审计与重放。

下图展示了事件驱动架构在信用额度定价中的典型拓扑：

3.3 消息队列（Kafka）在决策链路中的角色

Apache Kafka 是事件驱动架构中最广泛使用的消息队列系统。在信用额度定价的决策链路中，Kafka 承担了事件缓冲、流量削峰、解耦生产者和消费者三大核心角色。具体而言：

• 事件缓冲：当上游系统突发大量申请事件时，Kafka 作为缓冲区暂存事件，防止下游处理器被瞬时流量冲垮。
• 流量削峰：Kafka 允许消费者以自身处理能力拉取事件，实现“慢消费、快生产”的削峰填谷效果。
• 解耦生产者和消费者：生产者无需等待消费者处理完成即可返回，消费者也无需关心生产者来源，两者通过 Topic 进行逻辑隔离。

在决策链路中，Kafka 的 Topic 设计直接影响系统的可维护性与扩展性。以下是一个典型的 Topic 划分方案：

Kafka 在决策链路中的完整数据流如下图所示：

3.4 流式计算在额度定价中的典型应用模式

结合事件驱动架构与 Kafka，流式计算在信用额度定价中形成了三种典型应用模式：

1. 实时特征计算模式：消费原始事件（如交易流水），在流中计算滑动窗口聚合特征（如近30天交易总额、近7天最大单笔金额），输出特征向量到下游模型。
2. 在线模型推理模式：消费特征向量，调用预训练模型（如 XGBoost / 神经网络）进行实时评分，输出信用分或风险等级。
3. 动态额度调整模式：消费模型评分结果，结合用户当前额度、历史行为、外部征信数据，执行额度定价规则，生成新的额度并推送至核心系统。

这三种模式通过 Kafka Topic 串联，形成完整的流式决策链路。每个模式均可独立扩展，且支持灰度发布与 A/B 测试。