风险模型

规则擅长处理已知风险，但攻击者会不断绕过规则。例如把注册频率降到阈值以下，切换 IP 池，模拟正常用户停留时间。风险模型的价值在于从大量特征中识别更隐蔽的异常模式。

模型输入

风险模型的输入不是原始日志，而是特征。常见特征包括：

特征要分在线和离线。在线特征用于实时判断，必须低延迟；离线特征用于训练和复盘，可以更复杂。

模型输出

模型通常输出风险分：

risk_score = 0.0 ~ 1.0

系统不会只根据分数做单一动作，而是结合场景和成本分层处置：

• 分数低：放行。
• 分数中等：二次验证或限速。
• 分数高：拒绝或人工审核。

同样的分数在不同场景含义不同。登录场景误伤会影响用户体验，下单场景放过风险可能造成资金损失。因此阈值要按业务场景配置。

训练与反馈

模型需要标签。标签来源包括：

• 已确认的作弊账号。
• 人工审核结果。
• 用户申诉结果。
• 退款、投诉、拒付等后验信号。

反馈闭环很关键。如果误杀用户没有回流到训练数据，模型会越来越偏；如果攻击样本没有及时标注，模型会对新作弊方式反应迟钝。

模型上线

模型上线不能直接全量拦截。推荐流程是：

1. 离线评估，观察准确率、召回率和误杀率。
2. 影子模式上线，只打分不处置。
3. 小流量灰度，对低风险动作先试运行。
4. 逐步接入拦截、审核等强动作。

上线后要持续监控模型漂移。攻击者行为变化、活动规则变化、用户群体变化都会让模型效果下降。

模型与规则协同

模型不是替代规则。更成熟的系统会组合使用：

• 规则负责强确定性风险。
• 模型负责综合评分。
• 黑名单负责快速命中已知高风险实体。
• 人工审核负责边界样本。

下一章我们会讲黑名单系统，它把历史风险沉淀成可以快速查询和处置的实体库。