智能风控决策引擎系统架构设计与开发实践

2.规则集

多条规则 集合在一起 组成一个规则集。

规则集就是将所有规则打包一起执行，它的执行结果 = Max(Sort(规则执行结果, 优先级))

3.决策树

用树形结构来展示和构建规则

决策树：可以拆解为规则执行和执行结果的组合决策

4.决策矩阵

决策矩阵：包含横向和纵向两个维度的特征，通过两个维度特征的不同限制，交叉决策其结果。

此代码详细实现参阅：

决策树、决策表&决策矩阵实现

5.DSL 抽象总结

6.决策流

决策流：对不同的规则和决策进行流程编排，类似工作流。

决策流数据结构选型：

Pipeline 模型：管道模型。用链式串联不同节点组件，组成直线工作流。

Rete 模型：构建成网络。区分alpha网络和beta网络。

此代码详细实现参阅：

决策流实现

7.总结决策引擎架构设计

III.风控特征/指标处理

决策引擎的决策离不开特征的支持，特征又源自业务数据或业务日志衍生，所以特征加工和衍生也是风控开发重要的一环。先看看特征长什么样？

保障决策引擎的可复用性，可更好的支持不同的业务场景和业务环节，那么与业务耦合较重的特

征，就需要解耦拆分出来，于是有了特征引擎。

特征引擎，也有叫变量平台，为了保障风控决策的高效性和实时性，特征获取就必须足够高效，那么特征加工计算分为读时计算和写时计算，写时计算也叫预计算。对一些复杂聚合类特征，还有融合计算，使用 Lambda 架构将聚合数据和明细数据再做计算。

保障系统高性能：

• 数据并发调用，并发计算

• 增加数据缓存，特征（计算结果）缓存

• 对计算处理耗时长的特征做预计算

• 融合计算：历史聚合数据+最新明细数据进行融合计算

• 异步化 ，分离实时和准实时

IV.引入智能环节：模型

规则在准入和反欺诈识别上有更好的应用。而模型可以通过更多维度特征的评估，用于识别团伙欺诈，识别信用风控。
模型工作的基本前提：

• 具有相同特征的数据具有相同的结果；

• 历史的数据与未来的数据遵循同样的规律。

常用的建模方法：

• 传统建模方法：评分卡建模

• 基于大数据建模方法：机器学习、深度学习

关于评分卡建模详细实现参阅：

评分卡建模

关于机器学习建模详细实现参阅：

机器学习建模

V.可靠性保障

• 做好监控和报警

• 系统灰度陪跑，一致性比对

• 新模型上线，先陪跑验证后进行决策

• 策略发布，在决策流配置挑战者小流量分支，灰度验证

• 线上数据引流测试

• 数据过程快照和结果快照，通过模型平台回溯

• 熔断限流，并设置默认值兜底

• 制定 SLA 

• ...

详细实现参阅：

监控大盘实现

VI.数据驱动智能风控系统架构全景图

VII.QA环节

Q：开发特征就是 flink sql 吗？

A：flink sql 对聚合类指标特征能较好实现。除此外，还有代码计算特征，融合计算特征等不同方式。

Q：规则引擎结果怎么回溯？

A：保存决策引擎计算时所有数据快照，特征，以及决策结果，通过回溯平台回溯。

Q：怎么同时支持反欺诈场景和现金贷？

A：决策引擎是一种通用能力，通过与不同的规则和决策配置，可以支持不同的决策类型；决策引擎与业务之间通过业务中间件系统来进行语义转换。

Q：规则引擎用的哪家的？

A：自研的，golang 演示版 通过 DSL 抽象 + govaluate 计算实现，java 版本还可以通过 groovy、drools 或 qlexpress 等开源实现。

Q：特征计算时三方数据怎么处理？

A：简单的通过自动化配置解析结果字段，复杂的需要对结果进行二次加工，通过代码实现。在特征引擎完成数据处理。

Q：先跑特征还是先跑规则？

A：不同的业务场景有不同的实现方式，决策引擎需要同时兼容两种方式。对一些简单业务场景，可以将特征都加工好后一起送进决策引擎，这样可以更高效的出结果。而复杂决策流，可能会先配置内部特征规则，如黑名单类，触发就不再继续执行，通过内部规则后可发起调用三方收费数据，加工特征，再进行规则决策。

Q：模型特征和规则策略特征来自同一特征引擎吗？

A：是的。有时特征和模型用的特征是一样的。不过一般情况下模型用特征结构更复杂，维度更多，所以一般特征引擎也会有类型区分和加工方式区分。

Q：人行征信数据怎么支持计算出不同特征？

A：人行征信数据，需要先进行解析，有时是 pdf 文本，这部分需要通过代码来实现，然后将解析好的特征存储到高性能缓存中。挖掘出的特征可配置到决策引擎中，决策引擎执行时依赖人行的特征，通过特征引擎获取高性能缓存中的特征。