2. 实时风控系统架构：四大引擎的协作流程

实时风控系统并非单一组件，而是由实时计算引擎、规则引擎、模型引擎与决策引擎协同构成的闭环体系。每一笔交易从进入系统到输出决策，通常需要在毫秒级内完成数据清洗、特征计算、规则匹配、模型评分与策略仲裁。理解这四大引擎的职责与协作顺序，是搭建稳定、可观测的实时风控巡检体系的前提。

2.1 四大引擎核心职责

2.2 协作流程：从交易接入到决策输出

一次完整的实时风控决策通常经历以下六个阶段，每个阶段对应一个引擎或引擎内的关键步骤：

1. 数据接入与解析（实时计算引擎）：从消息队列（Kafka/Pulsar）消费交易事件，解析为统一的事件对象。
2. 特征计算与窗口聚合（实时计算引擎）：基于事件时间或处理时间，计算用户历史交易频次、金额滑动窗口、设备指纹等实时特征。
3. 规则预筛（规则引擎）：对明显异常的交易（如黑卡、超限、高频）进行快速拦截，降低模型引擎压力。
4. 模型评分（模型引擎）：将特征向量送入机器学习模型，输出风险概率或异常分数。
5. 策略仲裁（决策引擎）：结合规则命中结果与模型分数，根据决策表或策略树输出最终动作。
6. 结果回写与反馈（实时计算引擎）：将决策结果写回消息队列或数据库，用于离线分析和模型迭代。

2.3 引擎间协作的关键设计点

• 异步与并行：规则引擎与模型引擎通常并行执行，决策引擎等待两者结果后进行融合。若规则引擎直接拒绝，可提前终止模型调用以节省算力。
• 超时熔断：每个引擎必须设置独立的超时阈值（如 50ms），超时后触发降级策略（如放行或转人工），防止单引擎故障拖垮全链路。
• 特征一致性：实时计算引擎产出的特征必须与模型训练时的特征分布一致，这是 PSI（群体稳定性指标）监控的核心对象。
• 可观测性埋点：每个引擎的输入/输出需埋入 Trace ID，便于巡检时进行全链路延迟分析与错误定位。

2.4 典型部署架构示意

以下架构图展示了四大引擎在集群环境中的物理部署关系与数据流向，重点关注实时计算引擎的双流合并（交易流 + 特征流）以及决策结果的异步回写。