一、所谓风控(What && Why)

所谓风控，可以拆解从2个方面看，即 风险 控制

风险(what)

风险 这里狭隘的特指互联网产品中存在的风险点，例如

1) 账户风险

垃圾注册账号 账号被泄露盗用

2) 交易支付风险 刷单：为提升卖家店铺人气，买卖家串通等方式虚假交易 恶拍：恶意买家在卖家店铺频繁下单不支付；恶意买家通过频繁下单传播垃圾UGC等行为 盗刷：买家卡被盗在平台上消费 套现：伪装买卖家，在平台上信用卡交易，套出现金获利

3) UGC风险 风险类别：涉政、涉黄、涉爆等方面的文本、视频 传播渠道：创建店铺、商品相关的标题，详情页；下单支付的备注留言；IM消息等

控制(why)

一般互联网产品，特别电商类产品，都希望拉新提升日活，同时运营好这些用户，提升用户粘性。

类似刷单、恶拍等交易支付风险，传播垃圾信息等UGC风险会严重影响平台产品体验，所以我们需要控制这些风险点。

控制 即是要预防、识别、控制风险的发生。风险的控制一般分为事前，事中，事后3个阶段处理。

识别及预防：一般风险行为和正常行为的行为链路会有所不同。通过分析用户的整个行为链路，可以将风险行为和正常行为区分开

事后控制：风险事件发生后，可以采取一定措施控制事件影响，例如用户套现，交易已经发生，但是可以通过控制提现时长或者冻结资金等方式来控制减小影响面

二、如何风控-How

下图是美团风控架构图，自己想要总结的也和下图大同小异。这里借用，下面详细描述各模块职责和一些技术细节

对接系统

从产品层面看，风控会对接很多产品线，例如上图中到店餐饮、外卖等。

和业务线的对接方式不断迭代有以下优化

原始的方式：每个业务线单独对接，都需要新开接口，单独支持联调。成本高，效率低 优化后方式：打造统一接入平台，业务+场景 平台化配置，自动对接调试。 对接系统只专注负责一个事情，即通过配置化对接业务的风控接入，需要配置的点，包含2个部分

配置业务和场景：让风控感知到新的业务场景的接入 数据协议：配置请求参数的数据字段 异步事件接入：额外的数据接入，可能是通过消息接入。例如订单状态变更的消息等 各业务线接入后，整个数据层面也可以通过账户或设备指纹等维度打通，这样就可以从用户整个行为链路分析和识别风险。

平台系统

规则引擎

规则引擎作为风控的核心，最重要的便是如何将 规则算法 和 数据特征 灵活高效组装，将他们的功效输出。

直白讲，规则引擎对每次 事件 的风险判定，是根据 规则算法 综合判定的，而规则算法一般都会需要很多特征数据。

左手规则算法，后手特征数据，拼装在一块，变得出风险判定结果

规则引擎系统的打造，一些细节采用如下QA的方式表述

Q1：规则集如何获取

A1：依据风控事件的不同，从规则管理中心获取对应规则。同时规则也应有版本控制

Q2：特征数据如何获取

A2：规则集获取到后，便知道整个规则集需要的特征数据集，直接从数据中心获取

Q3：规则的依赖关系及并行执行

A3：并行；串行；树形等

TODO 更多的细节待思考和补充

Q：规则的动态化发布；规则的表达和可配置；

Q：风险事件的同步、异步接入

事件的风险判定。

数据：事件基础数据；扩展数据

几个概念

Facts：some facts

Rule：when(Condition) and then

Actions

规则平台

规则设计

从不同层次看，规则可以分为

因子：最小的逻辑单元。例如 买家单日下单总量>5；注册时间3天内等 规则：最小的决策单元，由若干因子和与或逻辑嵌套组成。例如 买家单日下单总量>5 且 (注册时间3天内 或 买家单月支付总额>1000) 策略集：某个业务场景下的规则集，由若干规则组成

规则维护

从B端角度看，规则中心主要负责

规则的增删查改的维护 规则的测试 规则效果分析

从C端角度看

各业务线规则集的查询

数据特征中心

一般针对需要风控介入的场景，称场景下的每次行为为一个事件，例如称一个新用户注册为一个注册事件，一次下单行为为交易事件，一次支付行为为支付事件等等。

上面描述的每个事件，都可称为基本事件数据。

特征中心主要负责维护规则和算法需要的各种特征数据。针对事件数据，可能做多种维度的统计和分析得到处理后的数据，称为 特征数据 。例如单个用户每小时，每天，每周的下单量等。

处罚中心

负责各种维度的处罚记录和查询，维度包括用户，卡，设备，银行卡号等维度。

处罚数据其实也可以看做一种特征数据。维护黑白灰等名单。

验证中心

验证码；短信；语音；人脸

运营系统

审核中心

针对处罚后需要用户申诉及客服审核的业务线，需要建设案例库及审核中心来支持。

客服中心

客诉；用户反馈

风控圈子

行业参考

小米：https://toutiao.io/posts/c355w5/preview

饿了么：https://blog.csdn.net/gitchat/article/details/78086327

美团：美团博客上的后来被删除，估计是太敏感了。不过网上应该都能搜到。 待补充

携程：https://mp.weixin.qq.com/s/muufqznNNVidPgamlcurCQ

风控er

同盾 张新波 http://xinbo.me/ (已不能访问)

美团 唐义哲 http://typd.github.io/pages/about-me.ch/

唯品会 WalterInSH https://github.com/WalterInSH/risk-management-note

相关活动及会议

SACC 2016 互联网安全和风控体系 会议分享(京东、爱奇艺、美团等)：http://safe.it168.com/a2016/1028/3000/000003000971_all.shtml

问题备忘

1.规则引擎的准确性

Q：每个规则都有一个准确率p(p<1)，当多个规则并行判定的时候，准确率就会是p1p2…*pn，规则越多，准确率越小？

A：不是。多个规则并行判定准确率的乘法计算，是基于各规则独立的假设。事实上，这个独立性假设一般不满足。规则间一般都是有所关联的，例如黑白名单的过滤，规则条件的关联等。

2.规则更新

Q：一般规则会经常更新，如何保证规则的更快生效？重启服务，加载规则？

A：服务加载规则一般会缓存，这里规则有更新后，推送消息给应用，让缓存失效，重新拉取最新规则

3.特征计算的代价。懒加载

Q：风控规则一般涉及到很多数据特征，不同数据特征的计算和获取代价不一样。在策略运行方面一般会做什么样的优化从而可以更快做出决策

A：逻辑短路的原理。例如规则表达式 (data1 > 10) && (data2 <= 4)，data1的计算代码明显大于data2。则规则表达式可优化为 (data2 <= 4) && (data1 > 10)。这个例子相对比较简单，更复杂的表达式其实也是类似的原理。

另外根据时候策略运行的结果和数据特征的关系，可以评估出各数据特征对于决策的重要性，也是一个优化点。

4.个人工作经历整体抽象总结

Q：广告推荐；风控

A：这个问题其实是自己问的自己，很早就有过思考。有点像将发表在不同方向的论文糅合为毕业论文的感觉

level1 背景简介

广告推荐：用户浏览广告/商品，点击，或者还有后面的转化行为。我们的工作则是推荐策略，挑选出合适的广告或者商品，让用户有更好体验，同时后续转化更高。

风控：和黑产的不断较量。黑产为了薅羊毛或者传播自身推广信息，在平台上注册，登录，浏览，点击，购买等行为，会和正常用户有很大的区别。风控的目的便是要准确识别这些行为，将这些行为的影响控制到最小。

level2 抽象点看

数据层面：收集各种行为数据，两者都是收集用户的各种行为数据，还有各种扩展维度的数据，例如用户基本信息，关联数据等

策略层面：两者都是通过分析用户历史行为数据，找到某种特定的pattern，沉淀为规则策略或者训练出算法模型，然后用于对未来行为预测和分析。

level3 言简意赅点说

分析数据，找到pattern。

参考

支付宝如何识别骗子：https://www.zhihu.com/question/20669015

美团风控架构设计：https://tech.meituan.com/2017/01/13/risk-control-system-experience-sharing.html

risk-management-note：https://github.com/WalterInSH/risk-management-note

参考资料

https://github.com/yangliang1415/awesome-risk-control