一、业务与性能目标

二、总体架构图

总体架构图

核心组件：

决策引擎：规则/模型执行引擎

特征平台：统一特征计算

缓存层：Redis Cluster扛住90%+特征请求

实时计算：Flink流式特征加工

三、特征平台
3.1 数据分层

3.2 架构分层

3.3 实时计算链路
Kafka → Flink CEP → Redis Sink

• KeyBy(user_id) 保证状态局部性
• 预计算“过去 30 分钟借款金额”等 200+ 实时指标

Flink 在特征平台负责“实时生产、流批一体、低延迟供给”，在决策引擎侧负责“规则/模型热计算、事件驱动编排”，两者通过“统一消息层 + 统一特征 SDK”实现毫秒级闭环。

• 决策引擎通过 统一 Feature-SDK 在 5-10 ms 内完成特征拉取；
• 若实时缺失，触发 Flink 回溯补数接口，100 ms 内返回补齐结果。

关键配置/代码片段
• 实时特征 SQL（示例）

CREATE TABLE pay_events (
  user_id STRING,
  amt DOUBLE,
  ts TIMESTAMP(3),
  WATERMARK FOR ts AS ts - INTERVAL '5' SECOND
) WITH ('connector'='kafka', ...);

INSERT INTO redis_sink
SELECT
  user_id,
  SUM(amt) OVER w AS total_amt_1h
FROM pay_events
WINDOW w AS (
  PARTITION BY user_id
  ORDER BY ts
  RANGE BETWEEN INTERVAL '1' HOUR PRECEDING AND CURRENT ROW
);

• 规则 CEP Pattern（示例）

Pattern<TransactionEvent, ?> pattern =
  Pattern.<TransactionEvent>begin("start")
         .where(evt -> evt.getType().equals("withdraw"))
         .timesOrMore(3)
         .within(Time.minutes(10));

Flink 在 特征平台 扮演“实时 ETL + 窗口计算 + 样本生成”的角色；
在 决策引擎 扮演“事件驱动 Worker + 规则热计算”的角色；
两者通过 统一消息总线（Kafka）和统一特征 SDK 实现毫秒级、低耦合、可灰度的协同闭环。

四、决策引擎
4.1 整体架构
• 流量入口：网关 → 风控决策服务集群（Spring Boot + Drools）
• 决策数据：统一特征平台（Redis Cluster + 本地 Caffeine 二级缓存）
• 规则热更新：规则中心（MySQL + Git + Jenkins）→ 消息队列（Kafka “rule-update” Topic）→ 各节点监听并 reload KieBase
• 异步落库：决策结果 → 消息队列（Kafka “risk-result” Topic）→ 风控结果库（MySQL 分库分表）
• 高可用：同城双活 + 跨城冷备，网关层用 Nginx + Keepalived，服务层用 Kubernetes HPA 自动伸缩

4.2 代码片段
特征 SDK（Java 代码片段）：

FeatureReq req = FeatureReq.newBuilder()
        .setUserId(uid)
        .setEventTime(now)
        .addFeatureIds("f_30min_loan_amt")
        .build();
Map<String, FeatureValue> feats = FeatureSDK.get(req, 50, TimeUnit.MILLISECONDS);

Drools 规则示例：

rule "拒绝_30min_借款>1w"
when
    $u : User(userId == $uid)
    $f : Feature(fId == "f_30min_loan_amt", value > 10000)
then
    insert(new Decision("REJECT", "30min_loan_amt"));
end

4.3 Flink实时计算：

4.4 性能优化
• KieBase 预编译池：启动阶段加载 50 个常用规则包，减少首次编译 200 ms+。
• 使用 KieSession 池化（commons-pool2）+ ThreadLocal 避免频繁创建/销毁
• 把规则包拆成 feature-group.drl + rule-group.drl，减少 KieBase 大小，平均加载时间 <200 ms
• 短路求值：命中“拒绝”立即终止后续节点。
• 决策服务无状态：K8s HPA 水平扩展，单节点 2C4G 可扛 1.5k QPS。

4.5 灰度与回滚
• Canary ConfigMap：按客户白名单比例 5% → 20% → 100%。
• 回滚策略：版本号不一致或错误率>0.1% 时，5 s 内切回旧版本。

4.6 监控告警
• 延迟监控：Prometheus feature_latency_ms{quantile="0.99"} > 50 ms 即触发告警。
• 漂移监控：离线 vs 在线特征差异 > 1% 自动暂停新规则。

五、决策引擎和特征平台协同落地挑战

特征平台与决策引擎协同落地时，挑战集中在“实时性、一致性、可运维、可扩展”四条主线，可细化为 8 个高频痛点与对应的缓解思路：

一句话总结：
“实时一致难、运维扩展贵”是两大核心矛盾；通过缓存+限流保实时、血缘+版本保一致、低代码+监控保运维、TTL+重要性评估控成本，才能持续放大特征平台与决策引擎的协同价值。

决策引擎和特征平台协同落地

六、落地时间线