3. 实时风控系统架构：实时决策引擎、规则引擎、模型服务、特征平台在A/B测试中的角色

实时风控A/B测试并非在孤立组件上运行，而是依赖一套高度协同的系统架构。实时决策引擎、规则引擎、模型服务与特征平台各自承担关键职责，共同构成A/B测试的“实验基础设施”。理解每个组件在实验中的角色，是设计有效切片方案的前提。

3.1 四组件核心职责与实验定位

3.2 实时决策引擎：实验流量分配与决策编排

实时决策引擎是风控系统的中枢，在A/B测试中承担三项核心任务：

1. 流量分配： 根据实验配置（如10%流量进实验组、10%进对照组），在请求入口处进行哈希或随机分组，确保同一用户始终进入同一实验组。
2. 决策编排： 按预设流程依次调用规则引擎、模型服务、特征平台，并将各组件返回的结果聚合为最终决策。
3. 上下文传递： 将实验分组ID、版本号、实验标签等信息透传给下游组件，确保日志归因准确。

3.3 规则引擎：实验变量注入与版本对比

规则引擎通常以“规则集”或“决策表”形式存在，在A/B测试中主要扮演以下角色：

• 实验变量注入： 通过规则参数化（如阈值、权重、名单ID）实现实验变量控制，无需重新部署代码。
• 版本对比载体： 同一规则集可部署多个版本（V1.0 vs V2.0），决策引擎根据实验分组路由到不同版本。
• 快速回退保障： 当实验组规则出现异常（如命中率骤降、延迟飙升），规则引擎可快速切换回对照组规则，降低风险。

// 规则引擎实验变量示例（伪代码）
if (experimentGroup == "treatment") {
    riskThreshold = 0.75;  // 实验组阈值
    blacklistId = "exp_blacklist_v2";
} else {
    riskThreshold = 0.60;  // 对照组阈值
    blacklistId = "prod_blacklist_v1";
}

3.4 模型服务：模型版本对比与效果评估

模型服务是A/B测试中最常见的实验对象，其角色包括：

• 模型版本对比： 支持同时部署多个模型版本（如XGBoost v1 vs LightGBM v2），通过实验分组路由流量。
• 特征重要性验证： 在实验组中引入新特征，通过模型服务对比新旧特征对AUC、KS等指标的影响。
• 效果评估单元： 模型服务需输出分数、置信度、特征贡献度等，供后续效果评估使用。

3.5 特征平台：实验特征隔离与数据一致性

特征平台是A/B测试的“数据底座”，其核心角色如下：

3.6 四组件协作流程（SVG架构图）

3.7 组件间数据流与实验隔离（SVG数据流图）

3.8 组件实验能力对比矩阵