1. 风控概述：什么是风控、风控的演进历史、实时风控的应用场景
1.1 到底什么是风控？
风控，全称风险控制。说白了，就是跟坏人斗智斗勇。
我入行第一天，老大就跟我说了一句话：「风控不是要把所有用户都挡在门外，而是要把坏人挡在门外，同时让好人顺畅通过。」这句话我记到现在。
你想想看，一个电商平台，如果风控太严，买个东西要验证十次，用户早跑了。如果太松，骗子随便薅羊毛，平台亏死。所以风控的本质，是在用户体验和业务安全之间找平衡点。
核心定义：风控 = 识别风险 + 评估风险 + 处置风险。三个环节缺一不可。
举个例子。你在电商平台下单，系统会检查：
- 这个账号是不是刚注册的？
- 登录IP是不是来自高风险地区？
- 收货地址和常用地址是否一致？
- 支付行为有没有异常？
这些检查，就是风控在干活。
1.2 风控的演进历史：从人工到实时
风控不是一天建成的。我经历过好几个阶段，每个阶段都有血泪教训。
第一阶段：人工审核时代（2000年前后）
那时候没有自动化系统。所有交易都是人工看。审核员盯着屏幕，一条一条过。效率极低，一天能审几百单就不错了。
我记得有个老同事，每天看几千条交易记录，眼睛都快瞎了。而且人的判断标准不稳定，同一个case，上午和下午可能判得不一样。
第二阶段：规则引擎时代（2005-2010年）
后来有了规则引擎。写几条if-else，让机器自动判断。比如：
if 交易金额 > 10000 and 新注册用户 < 7天:
标记为高风险
进入人工审核
else:
自动放行这个阶段大大提升了效率。但问题也很明显——规则写死了，坏人很容易绕过。
第三阶段：离线风控时代（2010-2015年）
开始引入机器学习模型。但模型跑在离线批处理上，每天凌晨算一次。白天发生的风险，第二天才能发现。黄花菜都凉了。
我在项目中遇到过，一个团伙利用这个时间差，一天内薅走了几十万。嗯，从那以后，离线风控就被我拉进了黑名单。
第四阶段：实时风控时代（2015年至今）
现在的主流。毫秒级响应，用户刚点下「支付」按钮，风控系统已经完成了上百个特征的运算和决策。
我的经验：实时风控不是简单地把离线模型搬到线上。它需要重新设计架构，考虑延迟、吞吐量、数据一致性等问题。后面几章我会详细讲。
下面这张图，展示了风控架构的演进脉络：
1.3 实时风控的应用场景
实时风控不是万能的，但很多场景离了它还真不行。我挑几个典型的说说。
场景一：支付交易风控
这是最经典的应用。用户刷卡、扫码、转账，系统需要在几百毫秒内判断：
- 这笔交易是不是盗刷？
- 收款方是不是黑名单？
- 交易金额是否异常？
我做过一个支付项目，高峰期每秒处理几万笔交易。风控系统必须扛住这个量级，同时保证延迟不超过200ms。说实话，压力很大。
场景二：信贷审批风控
用户申请贷款，系统实时评估信用风险。看什么？
- 多头借贷情况（是不是同时在多家平台借钱）
- 设备指纹（是不是模拟器、是不是root机）
- 社交关系图谱（联系人里有没有黑名单）
这里有个坑：实时不等于盲目。有些数据需要异步获取，不能阻塞主流程。我曾经因为等一个外部数据源，把整个审批流程拖慢了3秒，被业务方骂惨了。
场景三：反欺诈风控
薅羊毛、刷单、虚假注册……这些行为都有一个特点：批量。坏人不会只薅一次，他会用脚本、用群控设备，成百上千次地操作。
实时风控要能识别出这种「机器行为」和「人类行为」的差异。比如：
- 鼠标轨迹是不是太直了？
- 页面停留时间是不是太短了？
- 操作间隔是不是太规律了？
注意：实时风控不是银弹。它解决的是「在线、实时、高并发」场景下的风险识别问题。对于需要深度调查、人工研判的复杂案件，还是需要离线分析系统配合。
场景四：内容安全风控
用户发帖、评论、上传图片，系统要实时判断有没有违规内容。比如涉黄、涉政、广告导流等。
这个场景对延迟要求极高。用户发完帖子，如果等5秒才显示，体验就崩了。所以很多公司会用「先发后审」的策略——先让内容展示，异步做审核，发现问题再下架。
1.4 实时风控的核心挑战
说了这么多应用场景，你可能会问：实时风控到底难在哪？
我总结了三座大山：
| 挑战 | 具体问题 | 我的经验 |
|---|---|---|
| 延迟 | 必须在毫秒级完成决策 | 不能依赖外部API，能本地算的尽量本地算 |
| 吞吐量 | 高峰期每秒数万笔请求 | 用异步、用缓存、用队列，别让风控成为瓶颈 |
| 准确性 | 误杀和漏杀之间找平衡 | 没有完美的模型，只有不断迭代的策略 |
一个小建议：刚开始做实时风控，别追求一步到位。先搭一个简单的规则引擎跑起来，把流程走通，再慢慢加模型、加特征。我见过太多团队，一上来就想搞高大上的机器学习，结果半年了还没上线。
好了，这一章就聊到这。风控的世界很大，我们慢慢走。
公众号:蓝海资料掘金营，微信deep3321