《Apache Flink 案例集（2022版）》——3.机器学习——钱大妈-基于阿里云Flink的实时风控实践（1） https://developer.aliyun.com/article/1228153

生产实践

风控业务专员在产品界面通过简单配置即可实时、动态地发布风控规则，更加可以在线地对规则进行更新、删除。其中规则模型分为统计型规则和序列型规则。相同模型支持子规则的嵌套，不同模型之间可以通过与、或关系进行组合。

以下为规则组合中需要动态配置能力的配置项：  

1.分组字段。

不同字段分组、多字段分组的情况在风控规则的应用中非常常见。有如下规则样例：

以用户 ID 分组："用户的下单次数"；

以用户 ID、区域 ID 作为分组："用户同一段时间内不同区域的订单数"。

2. 聚合函数。

聚合函数包括业务常用的聚合逻辑，规则引擎依赖 Flink 内置丰富的累加器，并在 Accumulator 接口的基础上进行了根据需求场景的自定义实现。样例规则如下：  

A 门店近 30 分钟独立消费用户数小于 100；

B 门店新客消费金额大于 300。  

3. 窗口周期。

窗口周期也即每个窗口的大小，如业务方可能希望在持续 30 分钟的秒杀活动周期内运行规则，或者希望重点关注异常时段。

每 30 分钟时间窗口内，单个用户发起超过 20 笔未支付订单；

凌晨 1 点至 3 点，单个用户支付订单数超 50 笔。  

4. 窗口类型。

为了面对不同的业务需求，我们将业务规则中常见的窗口类型集成到规则引擎内部。其中包括滑动窗口、累计窗口、甚至是无窗口（即时触发）。  

5. 聚合前的过滤条件：

只对"下单事件"进行统计；

过滤门店"虚拟用户"。  

6. 聚合后的过滤条件：

用户 A 在 5 分钟内下单次数 "超过 150 次"；

用户 B 在 5 分钟内购买金额 "超过 300 元"。  

7. 计算表达式。

风控规则的字段口径通常是需要组合计算的，我们在表达式计算和编译中集成了更轻便和更高性能的 Aviator 表达式引擎。规则样例如下：

应收金额大于 150 元（应收金额 = 商品金额合计 +运费 + 优惠合计）；

通过 POS 端支付的应收金额大于 150 元。  

8. 行为序列。

行为序列其实也是事件与事件之间的组合，他打破了以往风控规则只能基于单事件维度描述事实的壁垒，在事件与事件之间的事实信息也将被规则引擎捕捉。规则样例如下：

用户 A 在 5 分钟内依次做了点击、收藏、加购；

用户 B 在 30 分钟前领了优惠券，但是没有下单。

《Apache Flink 案例集（2022版）》——3.机器学习——钱大妈-基于阿里云Flink的实时风控实践（3） https://developer.aliyun.com/article/1228145