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
II
.风控决策引擎介绍
Q：
互金领域的风险有哪些？
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？
II
.风控决策引擎开发设计
1.从一条规则开始抽象建模
决策引擎就是
将规则配置与程序代码分离
，那么首先就要
将规则配置抽象化
。
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
。
此代码详细实现参阅：
决策引擎规则抽象实现
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。
原文链接：
https://mp.weixin.qq.com/s?__biz=MzIyMzMxNjYwNw==&mid=2247484064&idx=1&sn=fecd2c7379208e84e7e3cd4eb1abfb6c&chksm=e8215db0df56d4a623bd6be2a706c0220952f0e045b0d6d9646616ee3aae742c574335fa228a&token=221471496&lang=zh_CN#rd
风控
决策
引擎
系统
决策
引擎
系统
介绍
风控
决策
引擎
系统
是在大数据支撑下，根据行业专家经验制定的规则策略，以及机器学习/深度学习/ AI领域建立的模型运算，对当前的业务风险进行全面的评估，并采用方法结果一套
系统
。
决策
引擎
，常用于金融反欺诈，金融信审等互金领域，由于黑产，羊毛党行业的盛行，
风控
决策
引擎
在电商，支付，游戏，社交等领域也有了长足的发展，刷单，套现，作弊，凡是和钱相关的业务都离不开
风控
决策
引擎
系统
的支持保障。
决策
引擎
和规则
引擎
比较接近（严格说
决策
引擎
包含规则
引擎
，之前也有叫专家
系统
，推理
引擎
），它实现了业务
决策
与程序代码的分离。
关于如何实现
决策
引擎
的文章市面极少见，
实践
生产落地的经验分享也基本没有。出全方位的解决方案。
本项目有用学习和参考，不能直接用于生产环境，转载使用请说明出处。代码不定期重复更新，可加关注查看。如有交流欢迎加微信号hepenggj
风控
决策
引擎
建模案例介绍 金融银行 。
网商银行联合贷业务，为某城商行通过与网商银行合作，利用全线上技术，按照约定的资金比例，基于双方共同认可的规则审批，为符合特定准入标准的淘宝、天猫、口碑、B2B商户、线下二维码收款“码商”客群，提供的个人信用贷款，用于其生产经营周
为某城商行网商贷贷前和贷中阶段提供了风险量化依据，帮助行方对高风险客户进行筛选及早期风险预警。
案例1:申请评分卡-模型设计及效果
案例2:某农信小微“税金贷”准入规则设计
去年下半年换工作之后，目前方向是做
系统
架构
及数据分析相关的工作。前段时间和以前拿CVE大佬们一起接锅看着COE，感慨万千，不过也有颇多收获，能感受到自己在安全项目上非线性成长。Anyway，积极拥抱变化，以后公众号也会多分享一些开源项目的分析及基础
架构
相关的知识。
本文简单介绍
风控
具体是做什么的，以及一些常见的
风控
系统
实现的
架构
。
文章目录前言一、互联网
风控
是做什么的？
风控
的定义二、常见
风控
系统
的实现
架构
1.
风控
系统
的
架构
2.
风控
的
系统
流程三、核心风险识别环节1.规则及规则
引擎
风控
的规则是什么？常见的规则
互联网时代，万物互联，网络安全形势越来越严峻，安全是企业的基石，
风控
在企业中扮演着“警察”角色，运用各种技术和手段，保护企业内的用户利益不受侵害。
风控
决策
引是
风控
中台的入口，提供业务风险场景事件接入，可视化编排复杂
决策
，丰富的特征变量与场景识别服务等功能。相较于需要
开发
背景及算法背景才能使用的传统
风控
引擎
，本文介绍的
决策
引擎
构建完成后无需
开发
背景甚至无需算法建模背景，作为纯正的策略运营即可配置应用到业务的
决策
中，实时对抗黑产。
决策
引擎
是
风控
的大脑，而
决策
树的编排能力和体验是构建大脑的手段，如何构建高效、丝滑、稳定可靠的
决策
树编排能力，是对
风控
决策
引擎
的一大挑战，本篇文章和大家分享一下过往构建心得。
基于springboot+drools实现的金融
风控
系统
源码+项目说明.zip
基于springboot+drools实现的金融
风控
系统
源码+项目说明.zip
基于springboot+drools实现的金融
风控
系统
源码+项目说明.zip
主要针对计算机相关专业的正在做毕设的学生和需要项目实战的Java学习者。
也可作为课程设计、期末大作业。包含：项目源码、数据库脚本、项目说明等，该项目可以直接作为毕设使用。
也可以用来学习参考借鉴！
从基础讲起，结合应用场景，由浅到深细化讲解drools规则
引擎
的的相关知识，并结合具体实例，演示功能的使用和注意事项。后面通过搭建具体的项目并结合springboot框架联合使用Drools的相关知识包括
决策
表的使用，囊括一般项目中所需要的知识点，理论结合实际，让真正入门到熟练。
1 Drools简介1.1 Drools的作用1.2 使用规则
引擎
的优势1.3 规则
引擎
应用场景2 Drools初体验2.1 构建项目2.2 案例描述 2.3 代码实现3 Drools语法介绍3.1 规则文件的组成3.2 规则体语法结构3.3 Pattern模式匹配
9 Drools WorkBench使用9.1 WorkBench基本使用9.2 创建会话9.3 编译并部署9.4 执行代码10 Drools
决策
表入门11 Drools
决策
表加强12 Drools
决策
表整合Springboot和MybatiesPlus13 动态编译Class文件实现Drools规则调用14 Drools实战14.1 实战一贷款准入规则14.1.1 测试案例一14.1.2 测试案例二14.2 实战二贷款评分卡14.2.1
2)
开发
>50%的精力和时间在业务规则的
开发
上.
3)业务人员理解规则须有很强的业务知识,新规则需要
开发
配合,业务规则需求提出后上线的实际运行过程对业务人员不透明.导致
开发
和业务的沟通成本大,最好支持业务人员可视化配置
什么是
风控
？
风控
的本质是数据，探索数据与数据之间的关联关系，根据其演变的规律，为业务所用。
消费金融的门槛核心在于
风控
系统
，面向客户端群体的线上产品线。如消费分期、现金贷及信用卡代偿等业务，其需实时支持大量业务的自动化处理，
风控
系统
将承担贷前、贷中和贷后的
风控
评估、处理及预警的角色，极大地解放和提高人工处理的瓶颈与效率。
风控
决策
引擎
是一堆
风控
规则的集合，通过不同的分支、层层规则...
