📚 课程目录第2章实时风控系统架构

2. 实时风控系统架构

实时风控系统是拦截策略的物理载体，其架构设计直接决定了特征计算的时效性与决策的准确性。一个标准的实时风控系统通常划分为四个核心层级：数据采集层、特征计算层、决策引擎层和处置层。每一层各司其职，通过异步消息或同步RPC串联，形成完整的处理闭环。

下图展示了实时风控系统的四层架构及数据流转路径。用户行为从左侧进入，经过层层加工，最终在右侧输出处置结果。

架构要点：四层架构的核心设计原则是“无状态计算 + 有状态存储”。特征计算层和决策引擎层保持无状态，便于水平扩展；状态（如滑动窗口计数、黑名单）统一存储在Redis或内存网格中，避免数据不一致。

下面通过表格和流程描述，详细拆解每一层的内部模块及其数据流转关系。

数据流说明：采集层将所有异构数据统一转换为事件对象（包含时间戳、用户ID、设备ID、行为类型、上下文参数），写入Kafka或Pulsar等消息队列，供下游特征计算层消费。采集层本身不做任何计算，只做格式清洗和简单校验。

数据流说明：特征计算层从消息队列中消费事件，先由特征编排引擎解析当前策略需要哪些特征，然后并行或串行调用特征算子和滑动窗口聚合。计算后的特征值写入Redis（设置TTL），同时组装成特征向量传递给决策引擎。特征存储支持决策引擎的实时查询，也用于处置层的反馈闭环更新。

  性能关键点：特征计算层是风控系统的“瓶颈敏感”层。滑动窗口聚合通常使用Flink或Spark Streaming实现，算子逻辑应尽量轻量；Redis特征存储的读写延迟必须控制在5ms以内，否则会影响整体决策P99延迟。

模块	职责	输入	输出
规则匹配器	执行if-then规则（如“IP频次>10则拦截”）	特征向量	规则命中结果
模型推理服务	加载机器学习模型（XGBoost/神经网络），输出风险分数	特征向量	风险评分 + 可解释性标签
策略编排/AB测试	管理策略版本、灰度比例、多策略组合	规则/模型结果	最终决策（通过/拦截/人工审核）
决策缓存	缓存近期相同事件的决策结果，避免重复计算	事件指纹	缓存命中/未命中

数据流说明：决策引擎接收特征向量后，首先查询决策缓存（基于事件指纹MD5），若命中则直接返回历史决策；若未命中，则依次经过规则匹配器、模型推理服务，最后由策略编排模块根据预设的优先级和灰度策略输出最终决策。决策结果同步返回给业务系统，同时异步写入处置层。

数据流说明：处置层根据决策引擎的指令执行具体动作。拦截和放行是同步操作，直接返回给业务系统；二次验证和限流可能涉及异步流程。所有处置结果都会通过反馈闭环（图中红色虚线）回写至特征存储，例如更新黑名单计数器、刷新设备指纹标签，使后续事件能感知到最新的处置状态。

为了更直观地理解一次完整的风控请求如何穿越四层架构，下面用第二个SVG展示时序交互过程。

延迟预算分配：在实时风控系统中，从事件上报到处置结果返回的总延迟通常要求<200ms。建议的延迟预算分配为：采集层<10ms，特征计算层<80ms，决策引擎层<50ms，处置层<30ms，网络开销<30ms。超出预算的特征计算应考虑异步化或预计算。