1. 课程导论与业务背景
1.1 坏账率定义与金融风控核心指标
坏账率（Bad Debt Ratio, BDR）是衡量金融机构信贷资产质量的核心指标，直接反映资金回收风险。在实时流处理场景下，我们需要从动态时间窗口的角度重新审视这一指标。
| 指标名称 | 计算公式 | 实时流场景含义 |
|---|---|---|
| 坏账率 (BDR) | 逾期超过90天未还本金 / 总放款本金 × 100% | 当前时间窗口内，逾期资产占比的实时滚动计算 |
| 回测坏账率 | 历史放款在观察期末的实际坏账金额 / 历史放款总额 × 100% | 基于历史数据流回放，验证风控模型在时间轴上的表现 |
| 实时哨兵阈值 | 业务预设的坏账率警戒线（如 3.5%） | 当实时回测坏账率超过阈值时，触发告警与干预 |
关键认知： 传统坏账率是静态的、滞后的月度报表指标；实时流处理下的坏账率是动态的、秒级更新的风险信号。本课程的核心目标就是构建一套能够实时回测坏账率并自动告警的哨兵系统。
1.2 实时风控哨兵概念
实时风控哨兵（Real-time Risk Sentinel）是一种基于事件驱动架构的监控系统，它持续监听业务数据流，在毫秒至秒级延迟内完成风险计算与预警。其核心特征包括：
- 持续监听： 24×7 不间断消费交易、还款、用户行为等数据流。
- 窗口计算： 支持滑动窗口、滚动窗口、会话窗口等多种时间语义。
- 阈值预警： 当聚合指标（如坏账率）突破预设阈值时，立即产生告警事件。
- 回测能力： 能够基于历史数据重放，验证风控策略的有效性。
1.3 Flink 在金融风控中的核心价值
Apache Flink 作为业界领先的实时流处理框架，在金融风控领域展现出不可替代的技术优势。以下从四个维度阐述其核心价值：
| 价值维度 | Flink 能力 | 金融风控场景收益 |
|---|---|---|
| 事件时间语义 | 精确处理乱序事件，支持 watermark 机制 | 坏账率计算不受数据到达顺序影响，结果准确可靠 |
| 有状态计算 | Keyed State、Operator State、状态后端（RocksDB） | 支持跨多笔交易的用户级风险画像，实现精细化风控 |
| 复杂事件处理 (CEP) | Pattern API 定义事件序列匹配规则 | 识别“短借长用”、“多头借贷”等高风险行为模式 |
| 精确一次语义 | 端到端 exactly-once 保证（两阶段提交） | 坏账率回测结果不重不漏，满足审计合规要求 |
实战视角： 本课程将使用 Flink 1.17+ 版本，结合 Kafka 数据源、RocksDB 状态后端和 Prometheus + Grafana 监控体系，构建一套生产级的实时坏账率回测哨兵系统。所有代码均可在本地或云环境复现。
1.4 实时坏账率回测的业务流程
在金融风控场景中，坏账率回测并非简单的 SQL 聚合，而是一个涉及时间对齐、账龄划分和窗口计算的复杂流程。下图展示了本课程将要实现的回测流水线：
常见误区： 很多初学者将坏账率回测等同于简单的 SQL 聚合查询。实际上，在实时流场景中，必须处理数据乱序、延迟到达和状态过期三大难题。本课程将逐一演示这些问题的 Flink 解决方案。
1.5 课程技术栈与学习路径
本课程采用业界主流技术栈，确保所学技能可直接应用于生产环境：
- 流处理引擎： Apache Flink 1.17+（DataStream API + Table API 混合使用）
- 消息队列： Apache Kafka 3.x（作为实时数据源与结果输出）
- 状态后端： RocksDB（支持大状态、增量 checkpoint）
- 监控告警： Prometheus + Grafana（实时指标可视化）
- 开发语言： Java 11 / Scala 2.12
课程共 30 章，从基础概念到生产部署，层层递进。本章作为导论，后续将依次讲解：Flink 环境搭建 → 数据源接入 → 事件时间处理 → 窗口计算 → 状态管理 → CEP 模式匹配 → 坏账率回测算法实现 → 哨兵告警集成 → 性能调优 → 生产部署。