2. 实时风控数据流架构

实时风控系统对延迟极度敏感——从事件发生到做出决策通常要求在 100ms 以内。支撑这一苛刻指标的核心是三层数据流架构：事件驱动架构作为业务模型、消息队列（Kafka）作为数据缓冲与解耦层、流处理引擎（Flink/Spark Streaming）作为计算与切片引擎。三者协同，构成了人群切片与回放验证的物理基础。

2.1 事件驱动架构：风控系统的“神经反射弧”

传统请求-响应模型在风控场景下存在两个致命缺陷：同步阻塞导致决策路径过长，状态丢失导致无法关联历史行为。事件驱动架构（EDA）将每一次用户操作、系统变更、外部信号都封装为不可变事件，通过事件总线异步分发，使风控引擎能够以“订阅-消费”模式实时响应。

2.2 消息队列（Kafka）在切片中的作用

Kafka 在实时风控中扮演三个关键角色：削峰填谷、事件持久化、多消费者解耦。对于人群切片而言，Kafka 的 分区（Partition） 机制直接决定了切片数据的有序性和并行度。

2.2.1 分区策略与切片对齐

人群切片通常以 用户ID 或 设备指纹 作为分区键。同一用户的所有事件必须路由到同一个分区，才能保证该用户的事件在消费者端严格有序。这是后续滑动窗口切片、状态聚合的前提。

2.2.2 偏移量管理与回放锚点

Kafka 的 偏移量（Offset） 是回放验证的核心锚点。每次切片计算完成后，将当前消费到的偏移量持久化到外部存储（如 Redis 或 MySQL），即可在回放时精确恢复到指定时间点的数据状态。

// 偏移量持久化示例（伪代码）
public class OffsetManager {
    public void saveOffset(String groupId, String topic, int partition, long offset) {
        String key = "risk:offset:" + groupId + ":" + topic + ":" + partition;
        redisTemplate.opsForValue().set(key, String.valueOf(offset));
    }

    public long loadOffset(String groupId, String topic, int partition) {
        String key = "risk:offset:" + groupId + ":" + topic + ":" + partition;
        String val = redisTemplate.opsForValue().get(key);
        return val == null ? -1L : Long.parseLong(val);  // -1 表示从最新开始
    }
}

2.3 流处理引擎概览：Flink vs Spark Streaming

流处理引擎是人群切片的“计算大脑”。当前业界主流选择是 Apache Flink 和 Spark Streaming。两者在实时风控场景下的核心差异体现在事件时间语义、状态管理和精确一次语义三个维度。