1. 课程导论：商户风险迁移背景、Flink在风控中的角色、批次偏移诊断的价值

1.1 商户风险迁移：从静态规则到实时智能

在支付与金融科技领域，商户风险并非一成不变。传统的风控体系依赖离线批处理与静态规则引擎，通常以“T+1”或“小时级”的粒度扫描交易数据，发现异常时风险敞口往往已经扩大。随着业务规模增长与黑产手段的快速迭代，风控架构必须从“事后分析”向“事中干预”演进，这一过程被称为商户风险迁移。

风险迁移的核心目标包括：

• 时效性迁移：从“日结扫描”升级为“秒级/毫秒级”实时判定。
• 决策粒度迁移：从“全量商户统一规则”细化为“单商户/单笔交易动态画像”。
• 特征维度迁移：从“有限静态字段”扩展为“高维实时流特征 + 历史行为序列”。
• 运维模式迁移：从“人工配置规则”转变为“模型驱动 + 自动补偿 + 可解释诊断”。

1.2 Flink在风控中的角色：实时计算核心引擎

Apache Flink 凭借其纯流式架构、精确一次语义、事件时间处理以及有状态计算能力，已成为实时风控领域的事实标准。在商户风险迁移场景中，Flink 承担以下关键角色：

Flink 的状态后端（RocksDB / Heap）与精确一次 Checkpoint 机制，保证了在风控规则频繁迭代、数据乱序到达的复杂环境下，决策结果依然可追溯、可恢复。

1.3 批次偏移诊断的价值：从“黑盒”到“可解释”

在实时风控系统中，批次偏移（Batch Drift）是指同一商户或同一批次交易在短时间内，其核心风险特征分布发生显著偏离历史基线或同群组分布的现象。这种偏移可能是真实风险爆发的前兆，也可能是数据质量、规则误报或模型失效导致的“假阳性”。

批次偏移诊断的核心价值体现在以下四个维度：

1. 风险早发现：在单笔交易尚未触发硬规则之前，通过批次级统计特征（如平均金额、设备聚集度、IP 离散度）的偏移，提前识别潜在风险集群。
2. 误报降噪：区分“真实风险偏移”与“数据倾斜/业务周期性偏移”，减少无效告警对运营团队的干扰。
3. 根因定位：当风控规则命中率异常升高或降低时，诊断偏移发生的具体维度（时间窗口、商户分组、交易类型），辅助快速决策。
4. 模型迭代闭环：将诊断结果反馈至特征工程与模型训练管道，形成“监控 → 诊断 → 优化”的持续演进闭环。

1.4 本课程的核心目标与学习路径

本课程将围绕“Flink 驱动商户风险迁移”这一主线，聚焦批次偏移诊断这一实操难点，帮助学员建立从理论到代码、从调试到上线的完整知识体系。课程覆盖以下关键模块：