1. 课程导论：实时风控网关的定义、核心价值、与离线风控的区别、课程整体架构与学习路径
1.1 什么是实时风控网关
实时风控网关是部署在业务系统与外部请求之间的实时决策层，它能够在毫秒级时间内对每一笔交易、登录、注册等行为进行风险评分与拦截。它不是简单的规则引擎，而是一个集实时特征计算、规则/模型推理、名单匹配、设备指纹、行为序列分析于一体的分布式系统。
核心定义：实时风控网关 = 流式计算引擎（Spark Streaming/Flink）+ 规则引擎（Drools/自研）+ 模型推理（PMML/TF Serving）+ 在线存储（Redis/HBase）+ 离线回放对比层。
1.2 核心价值
| 价值维度 | 说明 | 典型指标 |
|---|---|---|
| 毫秒级拦截 | 在请求响应路径中嵌入风控决策，不阻塞正常业务 | P99 延迟 < 50ms |
| 动态策略迭代 | 支持热更新规则、模型、名单，无需重启服务 | 策略上线时间 < 5min |
| 全链路可观测 | 每笔请求的决策链路、特征值、命中规则均可追溯 | 审计覆盖率 100% |
| 离线回放对比 | 用历史流量验证新策略效果，避免线上误杀/漏杀 | 回放准确率 > 99.5% |
| 降本增效 | 减少人工审核量，降低资损率 | 资损率下降 60%~80% |
1.3 实时风控 vs 离线风控
两者并非替代关系，而是互补协同。实时风控负责在线拦截，离线风控负责深度挖掘与策略校准。
| 对比维度 | 实时风控网关 | 离线风控 |
|---|---|---|
| 处理延迟 | 毫秒 ~ 秒级 | 分钟 ~ 小时级 |
| 数据源 | 实时事件流（Kafka/Pulsar） | 离线数仓（Hive/Parquet） |
| 计算引擎 | Spark Streaming / Flink | Spark Batch / Hive / Presto |
| 特征时效 | 窗口内聚合（5min/1h） | 全量历史特征（T+1） |
| 模型类型 | 轻量模型（LR/GBDT/Rule） | 复杂模型（DNN/XGBoost/Graph） |
| 主要用途 | 在线拦截、实时告警 | 策略挖掘、模型训练、复盘分析 |
| 回放能力 | 支持实时流量回放对比 | 支持批量历史回放 |
关键认知：实时风控网关的“回放对比”能力是连接在线与离线的桥梁——用离线数据验证在线策略，用在线结果修正离线模型。
1.4 课程整体架构
本课程围绕 Spark 实时风控网关 的完整生命周期设计，分为四大模块：
- 基础篇（第1~5章）：实时风控概念、Spark Streaming 核心原理、状态管理、窗口操作、背压机制。
- 网关设计篇（第6~15章）：网关架构设计、规则引擎集成、特征计算流水线、模型推理、名单服务、设备指纹、降级与熔断。
- 回放对比篇（第16~25章）：回放引擎设计、流量录制、对比算法、差异分析、自动化回归、性能压测。
- 实战进阶篇（第26~30章）：全链路监控、灰度发布、多机房部署、大促保障、源码解读。
1.5 学习路径与前置要求
前置技能：本课程要求具备 Scala/Python 基础、Spark 基础概念（RDD/DataFrame/Streaming）、Kafka 基础使用、Linux 基本操作。每章会提供完整代码示例，但不会从头讲解 Spark 入门。
建议按照以下路径学习：
- 第1步：通读本章，建立实时风控网关的整体认知
- 第2步：学习基础篇，掌握 Spark Streaming 在风控场景的核心用法
- 第3步：进入网关设计篇，动手搭建一个简化版实时风控网关
- 第4步：重点攻克回放对比篇，这是本课程的特色与难点
- 第5步：实战进阶篇，将网关部署到生产环境并应对大促挑战