2. 风控系统基础：实时风控系统架构概览

实时风控系统是特征漂移监控的载体。理解其核心组件——决策引擎、特征平台与模型服务——是后续实施漂移检测的前提。本章从架构视角拆解这三者的职责与协作关系。

2.1 核心架构总览

一个典型的实时风控系统采用事件驱动架构，请求在毫秒级内依次经过接入层、特征计算、模型推理与决策输出。下图展示了核心组件及其数据流：

2.2 决策引擎：策略编排与执行中枢

决策引擎是风控系统的大脑，负责接收请求、编排规则与模型调用顺序，并输出最终决策（通过/拒绝/人工审核）。

• 规则管理：支持原子规则（如“IP 归属地非国内”）与复合规则（AND/OR/NOT 组合）。
• 策略编排：通过决策表、决策树或流程图方式定义规则执行顺序，支持 A/B 测试与灰度发布。
• 模型调用：决策引擎不直接运行模型，而是调用模型服务接口获取评分，再将评分纳入策略。
• 结果处理：输出决策码、风险等级、拒绝原因码，并触发后续动作（如限流、告警）。

2.3 特征平台：实时特征的生产与供给

特征平台是风控系统的数据中台，负责将原始数据加工为模型可用的特征。特征漂移监控的核心数据源即来自此处。

特征平台需提供特征注册、特征回溯（Time Travel）与特征监控能力，确保特征口径一致且质量可控。

2.4 模型服务：推理与模型生命周期管理

模型服务负责加载风控模型（XGBoost、神经网络等）并提供高性能推理。在漂移监控场景下，模型服务还需输出模型版本与特征重要性等元信息。

• 推理引擎：支持 ONNX、PMML、TensorFlow Serving 等格式，利用 GPU/CPU 优化。
• 模型版本管理：支持蓝绿部署、金丝雀发布，便于回滚与对比。
• 特征对齐：模型服务接收特征平台输出的特征向量，需确保特征顺序与训练时一致。
• 日志输出：每条推理记录需包含模型 ID、特征快照、评分与决策时间戳，这是漂移监控的原始数据。

2.5 三者的协作关系

决策引擎、特征平台与模型服务并非孤立组件，而是通过明确的接口协议形成闭环：

1. 请求入站：决策引擎接收风控请求，提取请求 ID 与基础参数。
2. 特征获取：决策引擎向特征平台请求该实体（用户/设备）的实时与离线特征。
3. 模型推理：决策引擎将特征向量发送至模型服务，获取风险评分。
4. 策略决策：决策引擎结合规则与模型评分，输出最终决策。
5. 数据回流：决策结果、特征快照与模型评分写入存储层，供漂移监控与离线分析使用。

2.6 架构对漂移监控的影响

不同的架构设计直接影响漂移监控的实施难度与精度：