1. 课程导论：批流一体风控的背景、课程目标与适用人群、整体技术栈概览

1.1 风控链路的技术演进与批流一体背景

传统风控系统长期采用“离线批处理 + 实时规则引擎”的双轨架构。离线批处理负责日切、月报、模型重训练；实时规则引擎处理在线交易拦截。这种架构在数据量爆发、欺诈手段快速迭代的背景下暴露出三大痛点：

• 时效断层：离线模型更新周期通常为 T+1，无法应对秒级变异的团伙欺诈。
• 特征口径不一致：批处理与实时流计算使用不同的特征工程代码，导致离线 AUC 与线上实际效果偏差超过 15%。
• 运维割裂：批任务与流任务分属不同调度系统，链路排障需跨团队协作，平均 MTTR 超过 2 小时。

批流一体架构通过统一的计算引擎（如 Flink）、统一的特征存储（如 Feature Store）和统一的模型部署管线，将离线训练与在线推理的链路合并，实现“训练-评估-部署-监控”的闭环。本课程聚焦于风控链路中模型部署这一关键环节，讲解如何将批流一体理念落地为可运维、可灰度、可回滚的生产级部署方案。

1.2 课程目标与适用人群

1.3 整体技术栈概览

本课程涉及的技术组件覆盖数据接入、特征计算、模型推理、部署编排与监控告警五大领域。下表列出核心组件及其在批流一体风控链路中的角色：

1.4 课程内容主线与交付物

本课程共 30 章，按“基础概念 → 环境搭建 → 特征对齐 → 模型部署 → 灰度发布 → 监控运维 → 生产案例”的递进路线组织。每章均包含可运行的代码示例或配置文件，最终交付一套完整的批流一体风控模型部署参考实现。

• 第 1-5 章：批流一体基础、Flink 部署、Kafka 集群搭建、特征存储选型。
• 第 6-12 章：模型导出（PMML/ONNX）、Triton 推理服务部署、Flink 与推理服务的集成。
• 第 13-20 章：Kubernetes 部署编排、Helm Chart 编写、灰度发布策略（蓝绿/金丝雀）、A/B 测试流量路由。
• 第 21-25 章：监控指标体系搭建、特征漂移检测、模型版本回滚与热更新。
• 第 26-30 章：生产级案例（信贷审批、交易反欺诈、团伙识别）与故障演练。

1.5 批流一体部署的核心挑战

在正式进入技术细节之前，有必要明确批流一体部署区别于传统部署的四个关键挑战：

1. 特征时间对齐：离线训练时使用的特征窗口（如“过去 30 分钟交易次数”）在实时推理时必须使用完全相同的窗口逻辑，否则模型效果会急剧下降。
2. 模型热更新与状态一致性：流作业通常维护状态（如计数器、滑动窗口聚合），模型更新时如何保证状态不丢失、不重复计算，是部署层面的核心难点。
3. 推理延迟与吞吐的平衡：风控场景通常要求 P99 延迟 < 50ms，同时需要支撑万级 QPS 的突发流量，部署架构必须兼顾低延迟与高吞吐。
4. 灰度验证的流量隔离：新模型上线必须经过小流量验证，且验证期间需要保证特征、推理、结果落盘全链路的隔离性，避免对线上决策造成污染。