支付风控基础：支付业务常见风险类型与风控系统核心模块
在深入 A/B 测试在支付风控中的应用之前，必须建立对支付风控领域的基础认知。本章将系统梳理支付业务中常见的三大风险类型，并解析风控系统的三大核心引擎模块，为后续的 A/B 测试实验设计奠定业务与技术基础。
2.1 支付业务常见风险类型
支付业务面临的风险种类繁多，根据风险来源与行为特征，可归纳为以下三大核心类型：
| 风险类型 | 核心定义 | 典型行为特征 | 风控关注指标 |
|---|---|---|---|
| 欺诈 (Fraud) | 利用虚假身份、伪造信息或社会工程学手段，骗取资金或商品 | 新注册账号高频交易、使用一次性虚拟信用卡、收货地址与 IP 归属地严重不符 | 欺诈订单率、新用户交易占比、IP 聚合度 |
| 盗刷 (Account Takeover / Carding) | 通过窃取用户账户或支付凭证，冒用他人身份进行未授权交易 | 短时间内异地登录、密码批量尝试、小额试探交易后大额转移 | 登录异常率、交易设备指纹突变、单账户交易频次 |
| 洗钱 (Money Laundering) | 将非法所得通过支付渠道进行多层级、多账户流转，使其表面合法化 | 资金快进快出、多对一转账、账户间无商业逻辑的循环交易 | 交易网络复杂度、资金停留时间、出入金比率 |
关键认知： 三种风险并非互斥。例如，盗刷后的资金往往通过洗钱网络转移；欺诈分子也可能利用盗取的账户进行洗钱。风控系统需要具备识别复合风险的能力。
2.2 风控系统核心模块架构
现代支付风控系统通常采用“三引擎”架构，即规则引擎、模型引擎与决策引擎。三者协同工作，形成从数据输入到风险决策的完整闭环。
2.3 核心模块详解
2.3.1 规则引擎
规则引擎是风控系统的“第一道防线”，基于预定义的业务逻辑和专家经验，对交易进行快速判定。其优势在于可解释性强、延迟低、部署灵活。
- 黑白名单： 对已知恶意设备、IP、银行卡号进行直接拦截或放行。
- 阈值规则： 如“单笔交易金额 > 10,000 元”触发人工审核。
- 频次控制： 如“同一账户 1 小时内交易次数 > 5 次”触发限制。
- 设备指纹规则： 如“新设备首次交易金额 > 500 元”进入观察名单。
A/B 测试切入点： 规则引擎的阈值调整是 A/B 测试的经典场景。例如，将频次控制阈值从“5 次/小时”调整为“3 次/小时”，可通过 A/B 实验评估对盗刷拦截率与用户误伤率的影响。
2.3.2 模型引擎
模型引擎利用机器学习算法，从海量交易数据中自动学习风险模式，输出风险评分或概率。相比规则引擎，模型引擎能捕捉更隐蔽、更复杂的风险特征。
| 模型类型 | 常用算法 | 典型应用场景 |
|---|---|---|
| 监督学习 | XGBoost、LightGBM、神经网络 | 欺诈交易评分、盗刷概率预测 |
| 无监督学习 | 孤立森林、自编码器、聚类 | 异常交易检测、团伙欺诈挖掘 |
| 图模型 | GraphSAGE、GCN | 洗钱网络识别、关联账户分析 |
2.3.3 决策引擎
决策引擎是风控系统的“大脑”，负责将规则引擎和模型引擎的输出进行融合，并结合业务策略（如用户分层、渠道差异）做出最终决策。决策引擎也是 A/B 测试的核心承载平台。
- 策略编排： 支持可视化配置“IF-THEN-ELSE”决策流，如“若模型评分 > 0.8 且规则命中 > 2 条，则拒绝交易”。
- 熔断降级： 当模型引擎超时或异常时，自动降级到规则引擎，保障系统可用性。
- A/B 实验分流： 决策引擎需支持按用户 ID、交易 ID 或随机比例进行实验分流，确保实验组与对照组在统计上可比。
实践注意： 在决策引擎中实施 A/B 测试时，必须确保实验组和对照组在规则引擎与模型引擎的调用链路上完全一致（除被测试变量外），否则实验结果将受到混淆变量的污染，导致结论无效。
2.4 三引擎协同工作流程
一次完整的支付风控决策通常遵循以下步骤：
- 数据接入： 交易请求进入风控系统，提取设备指纹、IP、金额、用户画像等特征。
- 规则引擎初筛： 快速命中黑白名单或高频规则，对明确风险进行拦截或放行。
- 模型引擎评分： 对未决交易进行模型推理，输出风险概率（如 0~1 分）。
- 决策引擎融合： 将规则结果与模型评分按策略权重合并，生成最终决策。
- 结果反馈： 决策结果回传业务系统，同时将交易样本（含标签）回流至模型训练 pipeline，形成持续优化闭环。