智能风控决策引擎系统架构设计与开发实践
I.内容提要
风控决策引擎系统从架构设计到开发实践 特征引擎系统及实时计算引擎 模型引擎系统及智能风控引擎 大数据风控-用数据驱动的风控全流程系统构建
A：欺诈风险 、 信用风险、合规风险（监管要求）
Q：如何对抗风险？
A：通过大数据来构建规则和模型进行风险控制和风险预警
Q：业务规则和模型策略 如何落地？
A：通过决策引擎承载规则和模型的自动化实施和部署
风控决策引擎，支持规则和模型的配置、管理、执行，支持通过专家经验和大数据机器学习进行风险控制。如图所示，风控决策引擎作为风控核心支撑组件，对风控管控起到重要的决策作用。
决策引擎作为系统，那么系统设计的功能目标和性能目标都有哪些？
1.从一条规则开始抽象建模
这里依赖于基础运算符操作。
根据特征类型不同，有不同的操作符。
为了更好地系统易用性，需要进一步实现可视化规则配置后台。可视化后台，使用关系型数据库进行数据管理，然后在“发布”时统一转换为自定义特定领域语言 DSL。
2.规则集
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
此代码详细实现参阅：
5.DSL 抽象总结
6.决策流
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。
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？
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
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。
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
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
...
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。