2. 授信决策引擎架构：核心组件与决策流
授信决策引擎是风控系统的“大脑”，负责在毫秒级时间内完成客户信用评估、欺诈识别与额度定价。理解其核心组件与编排逻辑，是设计灰度发布流程的前提。本章从规则引擎、模型引擎、特征平台三大核心组件切入，再展开决策流编排与结果输出机制。
2.1 决策引擎核心组件
授信决策引擎采用微服务 + 事件驱动架构，各组件独立部署、通过标准 API 通信。下表对比三大核心组件的职责与关键特性：
| 组件 | 核心职责 | 输入 | 输出 | 灰度关注点 |
|---|---|---|---|---|
| 规则引擎 | 执行业务规则（准入、反欺诈、额度计算） | 特征变量 + 规则集 | 规则命中结果、拒绝/通过标记 | 规则版本切换、AB 测试分组 |
| 模型引擎 | 运行机器学习模型（评分卡、XGBoost、深度学习） | 特征向量 + 模型包 | 信用评分、违约概率、分群标签 | 模型热加载、新旧模型结果对比 |
| 特征平台 | 实时/离线特征计算、特征存储、特征回溯 | 原始数据（用户信息、行为、第三方） | 标准化特征变量 | 特征口径变更、特征值一致性校验 |
架构原则：规则引擎与模型引擎解耦，通过特征平台统一获取变量。灰度发布时，特征平台优先上线，确保新旧版本特征口径一致，避免“特征漂移”导致决策偏差。
2.2 决策流编排
决策流编排将规则、模型、特征按业务逻辑串联成有向无环图（DAG）。典型的授信决策流包含以下阶段：
- 准入检查：黑名单、年龄、地域等硬性规则，快速拒绝无效请求。
- 反欺诈检测：设备指纹、多头借贷、团伙识别规则/模型。
- 信用评估：评分卡模型 + 额度计算规则。
- 定价与授信：利率、期限、额度上限的最终确定。
- 结果输出：决策码、拒绝原因、额度信息。
灰度发布时，决策流编排支持节点级灰度：仅替换某个阶段（如信用评估模型），其余节点保持稳定。下图展示标准授信决策流结构：
2.3 决策结果输出
决策结果输出是引擎与下游系统（核心账务、消息中心、数据仓库）的接口。标准输出结构包含三个层级：
| 层级 | 字段示例 | 用途 |
|---|---|---|
| 决策码 | APPROVED / REJECTED / MANUAL_REVIEW | 下游系统快速判断最终结果 |
| 拒绝原因码 | R01（黑名单）、R02（欺诈风险高）、R03（信用不足） | 前端展示、运营分析、策略调优 |
| 授信参数 | 额度 50000、利率 12.5%、期限 12 个月 | 核心账务系统执行放款 |
灰度输出校验：灰度期间，新旧版本同时输出决策结果，通过“结果比对服务”实时校验决策码、拒绝原因码、授信参数的一致性。差异超过阈值（如 1%）自动告警并触发回滚。
2.4 灰度发布对架构的影响
授信决策引擎的灰度发布并非简单的“切换开关”，而是对架构的可观测性、隔离性、回滚能力提出更高要求。下表总结灰度发布对三大核心组件的架构影响：
| 组件 | 灰度前 | 灰度后（架构增强） |
|---|---|---|
| 规则引擎 | 单版本规则集，全量生效 | 支持多版本规则集并行，按流量标签路由 |
| 模型引擎 | 模型文件固定加载，重启生效 | 模型热加载 + 影子模型（Shadow Mode）对比 |
| 特征平台 | 特征口径变更直接覆盖 | 特征版本管理 + 双写校验（新旧口径同时计算） |
下图展示灰度发布时，决策引擎的“影子模式”架构：新模型与旧模型同时运行，但新模型结果仅用于对比，不实际影响决策。
架构陷阱：影子模式下，新模型结果不参与决策，但会消耗同等计算资源。需提前评估模型引擎的吞吐能力，避免影子流量挤占生产资源导致延迟飙升。建议为影子模型设置独立的线程池或容器组。
2.5 架构设计要点总结
- 组件解耦：规则引擎、模型引擎、特征平台独立部署，通过 API 网关统一路由，灰度发布时可单独替换任一组件。
- 决策流可编排：DAG 结构支持节点级灰度，仅替换目标节点，其余节点保持稳定。
- 结果输出标准化：决策码 + 拒绝原因码 + 授信参数三层结构，便于灰度期间新旧结果比对。
- 影子模式优先：灰度初期采用影子模式，新模型仅用于对比，不实际影响决策，降低风险。
- 特征版本管理：特征平台必须支持版本回溯与双写校验，确保灰度期间特征口径一致。