2. 实时风控系统架构：事件驱动架构、流处理引擎、规则引擎与决策引擎分层设计

实时风控系统是金融、电商、支付等场景抵御欺诈、盗用、套现等风险的“第一道防线”。其核心架构采用分层解耦设计，将数据接入、计算、决策与执行分离，确保系统在高吞吐、低延迟场景下的稳定性与灵活性。本章深入剖析事件驱动架构、流处理引擎、规则引擎与决策引擎的分层协作机制。

2.1 架构总览：四层协同模型

实时风控系统通常划分为以下四个逻辑层，每层职责明确，通过异步消息或API进行通信：

2.2 事件驱动架构：异步解耦的基石

事件驱动架构（EDA）是实时风控系统的“神经系统”。所有业务动作（如登录、下单、支付）均被封装为不可变事件，通过消息队列异步分发，实现生产端与消费端的完全解耦。

• 事件源：客户端SDK、服务端API、第三方数据源（如征信、设备指纹）。
• 事件总线：Kafka 是最主流的选择，支持分区（Partition）与副本（Replica）机制，保障高吞吐与数据持久性。
• 事件消费者：流处理作业、规则引擎、数据仓库（用于离线分析）。

2.3 流处理引擎：实时特征计算的发动机

流处理引擎负责在毫秒级时间内完成窗口聚合、多流关联与特征提取，为决策层提供实时指标。Flink 与 Spark Streaming 是两大主流选择，其对比见下表：

以下是一个 Flink 实时特征计算的典型代码片段，用于统计用户最近5分钟的支付失败次数：

// Flink SQL 方式：统计用户最近5分钟支付失败次数
Table result = tableEnv.sqlQuery(
    "SELECT " +
    "  user_id, " +
    "  COUNT(*) AS fail_count_5min " +
    "FROM payment_events " +
    "WHERE event_type = 'payment_fail' " +
    "GROUP BY user_id, " +
    "  TUMBLE(event_time, INTERVAL '5' MINUTE)"
);

2.4 规则引擎与决策引擎：策略执行的核心

规则引擎与决策引擎是风控系统的“大脑”，负责将业务策略转化为可执行的判定逻辑。两者通常配合使用：

• 规则引擎：处理确定性规则（如“单日转账超5万 -> 人工审核”），支持热更新。常用实现包括 Drools、EasyRules 或自研表达式引擎。
• 决策引擎：处理复杂策略编排，如决策树、评分卡、模型集成。通常以微服务形式部署，接收特征向量，返回决策结果与风险分数。

2.5 分层设计的优势与挑战

分层架构在带来灵活性的同时，也引入了新的运维复杂度：