2. 规则漂移概念

规则漂移（Rule Drift）是指风控规则引擎在生产运行过程中，由于底层数据分布、业务环境或外部攻击模式的变化，导致已部署规则的判别能力、覆盖率和准确率发生系统性偏离的现象。漂移并非规则代码本身的逻辑错误，而是规则所依赖的“环境假设”与当前真实环境之间出现了错位。

2.1 漂移的成因

规则漂移的成因可归纳为三大类：数据分布变化、业务策略调整、对抗攻击。下表从触发源、典型场景和影响维度三个角度进行对比：

2.1.1 数据分布变化

数据分布变化是最常见且最隐蔽的漂移来源。当规则引擎上线时，其阈值和逻辑基于历史样本（如过去3个月的用户行为）进行调优。一旦线上用户画像发生结构性改变——例如新用户占比从20%升至60%，或平均设备评分下降0.3个标准差——原有规则的区分度就会自然衰减。

• 特征漂移：单个输入特征的均值、方差或分位数发生偏移。例如“近7天登录次数”从均值5.2次降至2.1次。
• 概念漂移：特征与标签之间的映射关系发生变化。例如过去“高登录频次”是正常用户标志，现在成为机器脚本的典型行为。
• 样本选择漂移：模型训练时的样本分布与线上实时样本分布不一致。例如训练集以存量用户为主，线上涌入大量新注册用户。

2.1.2 业务策略调整

业务策略调整是风控规则漂移的“人为加速器”。当运营团队推出新活动、调整准入标准或上线新渠道时，规则引擎面对的流量结构会瞬间改变。例如：

• 准入放宽：将信用分门槛从650分降至580分，导致低分段用户占比激增，原有规则对这批用户的区分力不足。
• 渠道变更：新增一个线下扫码渠道，该渠道的用户设备指纹缺失率高达40%，导致依赖设备指纹的规则大面积失效。
• 产品迭代：借款期限从12期扩展至24期，用户还款意愿的时间分布发生变化，逾期预测规则需要重新校准。

2.1.3 对抗攻击

对抗攻击是风控领域特有的漂移成因。黑产团伙通过逆向分析、批量测试和自动化工具，持续寻找规则引擎的盲区。一旦某条规则被识别，攻击者会集中绕过该规则，导致规则命中率骤降、坏账率回升。

• 规则探测：攻击者用少量测试账号逐一触发规则，通过返回码或响应时间推断规则逻辑。
• 特征伪造：针对设备指纹、IP归属地、行为序列等特征进行模拟，使规则无法识别异常。
• 团伙养号：长期维护一批“正常行为”账号，待账号通过所有规则后集中作案。

2.2 漂移的危害

规则漂移的危害具有隐蔽性、累积性和放大效应。初期可能仅表现为个别规则的命中率小幅波动，但若不及时干预，会在数周内演变为系统性风险失控。以下是漂移带来的四大核心危害：

2.2.1 风险敞口扩大

当规则漂移导致某条关键规则（如“设备指纹命中黑名单”）的命中率从15%降至3%时，意味着大量欺诈请求绕过了该规则。这些请求会直接进入下一层规则或人工审核，甚至直接通过。在对抗攻击场景下，漂移窗口期每延长一天，欺诈损失可能以指数级增长。

2.2.2 用户体验恶化

规则漂移不仅影响风险控制，还会误伤正常用户。例如，当“登录IP归属地”规则因数据分布变化而变得过于敏感时，出差用户、海外留学生等正常群体可能被频繁拦截。这种误杀会直接导致：

• 用户流失：被误杀的用户中，约30%会在7天内放弃该平台。
• 投诉激增：客服渠道被误杀用户挤占，正常问题响应时间从2小时延长至24小时。
• 品牌口碑下降：社交媒体上出现大量负面评价，影响新用户获取。

2.2.3 运营效率下降

当规则引擎的自动化决策能力因漂移而下降时，大量案件会落入人工审核环节。以日均10万笔交易的风控系统为例：

• 正常状态：规则引擎自动处理95%的交易，人工审核5%（约5000笔/日）。
• 漂移状态：规则引擎自动处理能力降至70%，人工审核30%（约30000笔/日）。
• 后果：审核团队需扩编6倍，或加班300%才能维持时效，且审核质量因疲劳而下降。

2.2.4 合规与声誉风险

在金融、支付等强监管行业，规则漂移可能导致监管指标（如逾期率、投诉率、通过率）超出合规红线。一旦被监管机构通报或处罚，不仅面临巨额罚款，还可能被暂停业务资质。声誉损失更是难以量化的长期危害——用户信任一旦破裂，重建周期通常以年为单位。

2.3 漂移与模型漂移的区别

在风控领域，规则漂移与模型漂移（Model Drift）常被混用，但二者在本质、检测方式和修复手段上存在显著差异。下表帮助厘清概念：