1. 风控系统概述
1.1 风控系统在互联网业务中的核心地位
在互联网业务高速发展的今天，风险控制（风控）系统已从“合规辅助”演变为“业务生命线”。任何涉及资金流转、用户信用、内容交互的线上业务，都离不开风控系统的实时护航。风控系统的核心价值体现在以下三个维度：
- 资金安全屏障：拦截盗刷、欺诈交易、洗钱行为，直接降低资损率。
- 业务健康度保障：通过信用评分与额度管理，防止坏账率攀升，维持业务可持续增长。
- 合规与监管基石：满足反洗钱（AML）、了解你的客户（KYC）等监管要求，避免巨额罚单与品牌声誉损失。
关键指标参考： 头部互联网企业的风控系统通常要求 99.99% 的可用性，单笔决策延迟低于 100ms，拦截准确率超过 95%，误杀率控制在 0.1% 以下。
1.2 常见风控场景
不同业务领域面临的风险形态差异显著，但可归纳为三大核心场景：
| 场景类别 | 典型风险行为 | 风控目标 | 决策时效要求 |
|---|---|---|---|
| 反欺诈 | 账户盗用、虚假注册、刷单套利、恶意薅羊毛 | 实时识别并阻断非本人操作或虚假交易 | 毫秒级（< 50ms） |
| 反洗钱 | 大额拆分转账、频繁跨境交易、匿名资金池 | 监测异常资金流动模式，生成可疑交易报告 | 准实时（秒级 ~ 分钟级） |
| 信贷审批 | 多头借贷、收入造假、黑名单命中、欺诈团伙申请 | 评估借款人还款意愿与能力，控制坏账率 | 在线秒级，离线小时级 |
实践要点： 反欺诈场景对延迟最为敏感，通常采用全内存计算与缓存策略；反洗钱场景更关注数据完整性与链路追踪；信贷审批则需要在召回率与精确率之间取得平衡，常引入多模型融合决策。
1.3 风控系统的整体架构分层
一个成熟的风控系统通常采用分层架构，将数据接入、计算、决策、输出解耦，便于独立扩展与迭代。下图展示了标准的风控系统分层架构：
1.4 分层架构核心职责说明
每一层在风控系统中承担着不可替代的职责，层与层之间通过标准接口或消息队列进行解耦通信：
| 架构层 | 核心职责 | 关键技术组件 | 性能要求 |
|---|---|---|---|
| 接入层 | 接收业务方请求，完成协议适配、流量控制与安全校验 | Nginx / Kong / 自研Gateway | 高并发（10万+ QPS） |
| 决策引擎层 | 执行规则匹配、模型推理、策略编排，输出决策结果 | Drools / 自研规则引擎 / PMML模型 | 毫秒级延迟 |
| 特征计算层 | 从原始事件中提取、聚合、衍生特征，供决策层使用 | Flink / Spark / Redis / ClickHouse | 实时特征 < 10ms |
| 数据存储层 | 持久化事件、画像、名单、图谱等基础数据 | MySQL / TiDB / HBase / Neo4j | 高可用、强一致 |
| 基础设施层 | 提供消息通信、缓存加速、计算资源调度能力 | Kafka / Redis / Kubernetes | 高吞吐、低抖动 |
架构设计避坑提示： 很多团队在初期将“特征计算”与“决策引擎”混为一层，导致特征计算阻塞决策链路，延迟飙升。务必在物理或逻辑上分离特征计算与决策执行，并通过异步任务编排（如 CompletableFuture / 协程）实现并行特征获取，这是本课程后续章节的核心实践方向。
1.5 风控系统与数据库、缓存、异步任务的关系
从上述分层架构可以看出，风控系统的每一层都深度依赖数据库、缓存与异步任务编排：
- 数据库：存储用户画像、黑名单、历史事件、策略配置等持久化数据，是决策回溯与离线分析的基石。
- 缓存：承载实时特征、高频名单、规则快照，将毫秒级查询延迟降至微秒级，是实时风控的加速器。
- 异步任务编排：在特征计算阶段并行拉取多个数据源、在决策后异步执行反洗钱上报、在批量审批中分片处理，是提升吞吐与资源利用率的利器。
本课程将围绕这三者的协同设计，深入讲解如何在风控系统中落地高性能、高可用的数据库缓存异步任务编排方案。