3. 实时风控系统架构全景：分层架构与关键组件

实时风控系统需要在毫秒级时间内完成交易特征提取、规则匹配、模型评分与决策输出。为了支撑这种高吞吐、低延迟、高可用的要求，业界普遍采用分层解耦的架构设计。每一层职责清晰，通过标准化的数据接口进行通信，既保证了系统的可扩展性，也便于进行独立的稳定性保障与巡检。

3.1 四层架构总览

实时风控系统通常划分为以下四个核心层次，从数据接入到最终决策输出，形成完整的闭环处理链路。

3.2 关键组件与数据流详解

理解数据如何在各层之间流转，是进行异常交易巡检和稳定性保障的基础。下面我们按照数据流动的顺序，逐一剖析每个层次的关键组件。

3.2.1 接入层：流量的第一道防线

接入层是风控系统的入口，负责接收来自交易系统、支付网关、用户端等上游系统的请求。其核心组件包括：

• API Gateway：统一入口，负责协议转换（HTTP/TCP/Thrift）、请求路由、身份鉴权与限流。
• SDK/Agent：嵌入业务系统，负责数据采集与异步上报，实现业务与风控的解耦。
• 流量整形模块：基于令牌桶或漏桶算法，对突发流量进行削峰填谷，保护下游计算层。

3.2.2 计算层：特征与规则的实时工厂

计算层是风控系统的“大脑”，负责在毫秒级时间内完成复杂的计算任务。该层通常包含三个核心子模块：

• 实时特征计算：基于 Flink/Spark Streaming 的流处理引擎，对原始事件进行窗口聚合、关联查询、序列模式挖掘，生成高维特征向量。
• 规则引擎：执行由风控专家配置的“if-then”规则集，如“同一设备在1小时内登录超过5个不同账号”。
• 模型推理服务：加载训练好的机器学习模型（如XGBoost、DNN），对特征向量进行实时评分，输出风险概率。

3.2.3 决策层：策略编排与风险评级

决策层接收计算层产出的特征与评分，结合业务上下文进行综合判断。其关键组件包括：

• 决策引擎：支持策略的图形化编排与热加载，实现复杂的决策树、评分卡、矩阵决策。
• 策略中心：管理策略的版本、灰度、AB测试与回滚，是策略变更的管控核心。
• 人工复核队列：对于高置信度但无法自动判定的交易，推入队列等待人工审核。

3.2.4 存储层：多模态数据的基石

存储层为上层计算提供数据支撑，并持久化决策结果。不同数据类型使用不同的存储引擎：

3.3 分层架构下的稳定性保障要点

在了解了架构全景与数据流之后，我们需要针对每一层制定针对性的稳定性保障策略。以下是各层在异常交易巡检中需要重点关注的风险点：

• 接入层：防止流量洪峰冲垮系统。需要配置合理的限流阈值，并实施优雅降级（如返回默认决策“放行”）。
• 计算层：避免数据倾斜导致的任务堆积。巡检时需关注 Flink 的 Checkpoint 时长、Kafka 消费 Lag、算子背压指标。
• 决策层：防止策略死循环或雪崩。所有策略必须设置超时时间（Timeout），并具备熔断机制。
• 存储层：防止缓存击穿与数据库连接池耗尽。使用多级缓存（本地缓存 + 分布式缓存）来保护数据库。

3.4 本章小结