1. 课程导论：PSI概念、批次偏移风险、Flink在支付风控中的价值

1.1 什么是PSI？——群体稳定性指标

PSI（Population Stability Index，群体稳定性指标）是衡量两个样本分布之间差异程度的量化指标。在支付风控场景中，它通常用于监控模型评分或关键特征在预期分布与实际分布之间是否发生显著偏移。

PSI的计算基于分段（分箱）后的分布对比，其核心公式如下：

PSI = Σ ( (实际占比_i - 预期占比_i) * ln(实际占比_i / 预期占比_i) )

其中，i 代表第 i 个分箱。PSI值越大，说明两个分布的差异越显著。

1.2 批次偏移风险——为什么需要实时PSI？

传统风控系统通常采用T+1离线计算PSI，即今天计算昨天的分布差异。这种方式存在明显的滞后性，在支付场景中可能造成严重损失：

• 黑产突袭：攻击者利用凌晨时段集中发起试探交易，离线PSI要到次日才能发现分布异常。
• 模型失效：线上模型评分分布发生偏移，但离线报表未更新，导致大量误杀或漏过。
• 特征断裂：上游数据源（如IP库、设备库）更新后，特征分布瞬间改变，离线计算无法及时感知。

批次偏移风险的核心矛盾在于：风控决策需要秒级响应，而传统PSI计算却是小时级甚至天级。因此，实时PSI计算成为支付风控体系的关键能力。

1.3 Flink在支付风控中的价值

Apache Flink作为业界领先的实时计算引擎，天然适合解决批次偏移预警的实时化难题。其核心价值体现在以下四个维度：

在实时PSI计算场景中，Flink可以：

• 消费Kafka中的实时交易事件流；
• 按批次（如每5分钟一个窗口）计算当前分布；
• 与预加载的基准分布进行PSI对比；
• 当PSI超过阈值时，实时下发改签或熔断指令。

1.4 本课程核心内容预览

本课程将围绕Flink实时PSI计算这一主题，从原理到实战，完整覆盖以下知识模块：

• PSI数学原理与分箱策略：等距分箱、等频分箱、卡方分箱在实时场景下的选型对比。
• Flink窗口与状态编程：如何用滑动窗口实现批次分布统计，以及如何管理基准分布状态。
• 实时PSI计算算子设计：从数据接入、分布聚合到PSI公式计算的完整算子链。
• 支付风控预警集成：如何将PSI结果接入风控决策引擎，实现自动熔断与降级。
• 生产环境调优：状态大小控制、背压处理、容错恢复等Flink运维最佳实践。