1. 课程导论：风控网关拦截策略 A/B 测试的背景、价值与课程目标

1.1 背景：为什么风控网关需要“科学验证”？

在金融、电商、社交等业务中，风控网关是抵御欺诈、盗号、刷单、爬虫等恶意行为的“第一道防线”。传统风控策略的迭代通常依赖规则工程师的经验判断或离线回测，但这种方式存在三个致命缺陷：

• 离线回测失真：历史数据无法模拟线上实时流量特征、用户行为漂移及对手的对抗性变化。
• 全量上线风险高：未经小流量验证的新策略一旦误杀正常用户，可能导致数百万级交易损失或客诉爆发。
• 效果评估片面：仅看拦截率提升，却忽略了通过率下降、响应延迟增加、用户体验恶化等副作用。

因此，将 A/B 测试引入风控网关拦截策略的迭代流程，已成为头部互联网企业的标准实践。它允许我们在真实生产环境中，以可控的小流量对比“旧策略（对照组）”与“新策略（实验组）”的差异，从而做出数据驱动的决策。

1.2 价值：A/B 测试为风控网关带来的四大收益

在风控网关场景中实施 A/B 测试，并非简单的“流量切分”，而是围绕拦截决策链路的系统性评估。其核心价值体现在以下四个维度：

1.3 课程目标：从“能跑实验”到“会设计实验”

本课程并非泛泛而谈 A/B 测试理论，而是聚焦于风控网关拦截策略这一特定场景，帮助你建立从实验设计、流量分层、指标监控到决策闭环的完整能力。完成本课程后，你将能够：

1. 设计科学的拦截策略实验：掌握分流模型、正交分层、网络延迟隔离等网关专属实验设计方法。
2. 构建核心指标体系：区分“拦截率”、“误杀率”、“通过率”、“响应时间 P99”等北极星指标与护栏指标。
3. 执行最小样本量估算：基于基线拦截率和最小可检测效应（MDE），计算实验所需流量与运行时长。
4. 解读实验结果并决策：使用假设检验、置信区间、Mann-Whitney U 检验等方法，判断策略是否显著优于对照组。
5. 规避常见陷阱：识别“网络效应干扰”、“用户重复进入实验”、“指标幸存者偏差”等风控场景特有坑点。

1.4 课程知识体系全景

为了让你对后续 29 章的内容有一个全局认知，下面用一张架构图展示本课程的核心模块与学习路径：

1.5 谁应该学习这门课程？

• 风控算法/策略工程师：希望用科学实验替代“拍脑袋”策略迭代，提升线上效果置信度。
• 数据科学家/数据分析师：负责风控实验设计与分析，需要掌握网关场景下的特殊统计方法。
• 后端/网关开发工程师：需要实现流量分流、打标、日志采集等实验基础设施。
• 技术管理者：希望推动团队建立数据驱动的风控实验文化，降低试错成本。