2. 风险漂移概念：数据漂移、概念漂移、模型漂移

在商户风险实时诊断场景中，“漂移”是导致风控模型失效、误判率飙升的核心原因。漂移的本质是数据分布或业务含义随时间发生不可逆的变化，使得历史规律不再适用于当前环境。Flink 实时漂移监控的核心任务，就是尽早发现这些变化并触发模型更新或规则调整。

漂移在商户风控中主要分为三类：数据漂移、概念漂移、模型漂移。三者相互关联，但触发原因和表现形态截然不同。

2.1 数据漂移（Data Drift）

数据漂移指输入特征的统计分布随时间发生变化，而业务标签的真实含义并未改变。在商户风控中，数据漂移通常由外部环境、用户行为习惯或数据采集链路变更引起。

常见表现

• 特征值范围偏移：例如商户日均交易金额从 1000~5000 元漂移至 5000~20000 元，但欺诈率未变。
• 缺失率突变：某风控字段（如法人身份证号）突然大量缺失，导致模型输入异常。
• 类别分布变化：商户行业分类中“电商”占比从 60% 骤降至 30%，而“线下零售”升至 50%。
• 时序模式改变：交易高峰时段从 10:00-12:00 漂移至 20:00-23:00。

2.2 概念漂移（Concept Drift）

概念漂移指特征与标签之间的映射关系发生变化，即相同的输入特征对应不同的输出结果。这是风控模型失效的最危险原因，因为模型学到的决策边界已经过时。

常见表现

• 欺诈模式进化：过去“单笔大额 + 新注册”是高危特征，现在欺诈团伙改用“小额高频 + 老账户”模式，原有规则失效。
• 政策或法规变化：央行调整支付限额后，正常商户的交易特征与历史欺诈样本高度相似，导致误杀率飙升。
• 季节性/周期性漂移：双十一期间所有商户交易量暴增，模型将正常高峰误判为异常。
• 突发性事件：疫情导致线下商户集体转线上，历史“线下交易占比高”这一正常特征突然变成高风险信号。

2.3 模型漂移（Model Drift）

模型漂移指模型自身的预测能力随时间退化，通常由数据漂移或概念漂移间接导致，也可能是模型版本迭代、特征工程变更或训练数据偏差累积的结果。

常见表现

• 预测概率偏移：模型输出的风险评分整体偏高或偏低，例如平均风险分从 0.3 漂移至 0.7。
• AUC/KS 持续下降：模型区分好坏商户的能力逐周衰减。
• 校准度恶化：预测为 90% 风险的样本，实际欺诈率只有 50%。
• 特征重要性重排：训练时最重要的特征“交易频次”在线上失效，次要特征“设备指纹”反而成为主导。

2.4 三类漂移在商户风控中的联动关系

下图展示了三类漂移在实时风控流水线中的位置和传递路径：

2.5 实时漂移监控的挑战与应对

在 Flink 实时流水线中实施漂移监控，需要解决以下核心问题：

1. 延迟与吞吐的平衡：漂移检测需要滑动窗口统计，窗口越大越准确但延迟越高。建议使用 Flink 的 TumblingEventTimeWindows 按小时/天粒度计算 PSI，同时用 CountWindow 做快速异常检测。
2. 多维度漂移叠加：同一时刻可能发生数据漂移和概念漂移，需要分层告警策略。例如先确认数据漂移是否由采集链路故障引起，再判断概念漂移是否真实存在。
3. 冷启动问题：新接入商户无历史基线，无法计算漂移。可采用 分位数预热 策略，用同行业相似商户的分布作为初始基线，积累 7 天数据后切换为自基线。
4. 漂移阈值自适应：不同商户、不同特征的漂移容忍度不同。建议在 Flink 中维护 动态阈值表，根据历史漂移频率和业务影响自动调整告警阈值。

2.6 漂移检测的实时计算指标