2. 风控网关架构概览：网关请求链路与特征数据流转
风控网关是实时风控系统的流量入口与决策中枢。每一笔业务请求（如登录、下单、提现）都会经过网关的标准化处理链路，完成身份识别、特征计算、规则匹配与决策输出。理解网关的请求链路与数据流转，是后续进行特征缺失巡检与 PSI 监控的基础。
2.1 网关请求链路：四层架构
风控网关采用分层设计，将请求处理拆解为四个核心层次：接入层、路由层、特征计算层与决策层。每一层职责明确，便于独立扩展与监控。
架构设计原则： 分层解耦、无状态计算、异步特征加载、决策可观测。
2.1.1 各层职责与关键组件
| 层级 | 核心职责 | 关键组件 / 技术 | 监控要点 |
|---|---|---|---|
| 接入层 | 协议转换、身份认证、流量整形 | Nginx / Kong / Spring Cloud Gateway | QPS、响应时间、认证失败率 |
| 路由层 | 策略路由、灰度分流、实验管理 | 路由配置中心（Apollo / Nacos） | 路由命中率、灰度比例偏差 |
| 特征计算层 | 特征加载、实时计算、缺失巡检 | Redis / MySQL / Hive + Flink | 特征缺失率、PSI 波动、加载延迟 |
| 决策层 | 规则匹配、模型推理、决策输出 | Drools / PMML / 自研决策引擎 | 决策耗时、规则命中分布 |
实战提示： 特征计算层是风控网关中最容易产生数据质量问题的环节。特征缺失、延迟、分布偏移（PSI 异常）往往在此层暴露，因此本课程后续的巡检与监控方案主要围绕该层展开。
2.2 特征数据的流转与存储
特征数据在风控网关中经历采集 → 计算 → 存储 → 加载 → 归档的完整生命周期。不同存储介质服务于不同的时效性要求与使用场景。
2.2.1 三种存储介质的特征数据对比
| 存储介质 | 数据时效 | 典型特征类型 | 读写模式 | 容量与成本 |
|---|---|---|---|---|
| Redis | 毫秒级实时 | 用户画像缓存、设备指纹、近期行为计数 | 高并发读、写后即读 | 内存型，容量有限，成本高 |
| MySQL | 秒级 ~ 分钟级 | 特征配置表、黑白名单、离线预计算特征 | 读写均衡，支持事务 | 磁盘型，容量中等，成本适中 |
| Hive | T+1 离线 | 历史特征宽表、PSI 基准分布、训练样本 | 批量写入，批量读取 | 分布式，容量大，成本低 |
2.2.2 特征数据流转的关键路径
- 实时路径： 业务请求到达 → 接入层解析 → 路由层分发 → 特征计算层从 Redis 加载实时特征 → 决策层输出结果 → 结果写回 Redis 或消息队列。
- 准实时路径： 特征计算层通过 Flink 消费 Kafka 中的业务事件，实时计算滑动窗口特征（如近 5 分钟登录次数），结果写入 Redis。
- 离线路径： Hive 每日批量计算离线特征宽表，用于模型训练、PSI 基准分布计算与特征缺失巡检的离线对比。
常见风险点： Redis 缓存击穿导致特征缺失、MySQL 连接池耗尽导致特征加载超时、Hive 分区未更新导致离线特征与实时特征不一致。这些风险将在后续章节中通过巡检与 PSI 监控进行覆盖。
2.3 特征缺失巡检与 PSI 在架构中的位置
特征缺失巡检与 PSI 监控贯穿特征计算层与存储层，是保障特征数据质量的核心手段：
- 实时巡检： 在特征计算层对每次请求的特征加载结果进行校验，记录缺失特征名称、缺失率、缺失模式。
- 离线 PSI 计算： 每日对比 Hive 中特征分布的基准版本与当前版本，计算 PSI 值，识别分布偏移。
- 告警与联动： 当缺失率超过阈值或 PSI 超过 0.1 时，触发告警并自动降级或切换特征源。
架构收益： 通过将巡检与 PSI 监控嵌入网关架构，实现特征质量的“可观测、可告警、可自愈”，避免因特征问题导致误判或模型失效。