这是 Beta 探索课程，内容结构、实验步骤和示例可能会继续调整。
完整系统
完整的风控反作弊系统可以分成五层：
数据采集层 -> 特征层 -> 策略层 -> 决策层 -> 处置与反馈层每一层解决一个问题：有没有证据、证据如何加工、如何判断风险、如何输出动作、效果如何回流。
最终架构
一次业务请求的在线流程如下：
- 业务服务提交风险事件，例如注册、登录、领券、下单。
- 风控服务读取实时特征：设备关联账号数、IP 频率、用户历史行为。
- 名单系统先判断是否命中白名单、黑名单或灰名单。
- 规则引擎执行可解释策略。
- 风险模型输出综合风险分。
- 决策引擎合并结果，生成放行、验证、限速、审核或拒绝动作。
- 决策结果写入日志，后续用于申诉、复盘和模型训练。
离线流程则负责训练模型、分析攻击、评估策略效果和同步特征。
关键决策
- 规则还是模型：规则上线快、可解释；模型能发现隐蔽模式。两者需要组合，而不是互相替代。
- 强拦截还是分级处置：强拦截损失小但误伤高，分级处置能在用户体验和风险控制之间平衡。
- 实时判断还是离线分析：实时链路负责当前请求，离线链路负责长期学习和策略迭代。
- 名单永久生效吗：不应该。大多数实体都需要过期时间和申诉机制。
- 故障时放行还是拦截：要按业务场景分级，不能全局一刀切。
指标体系
风控系统上线后，要同时看业务指标和风控指标：
- 拦截率：命中风险并采取动作的比例。
- 误杀率：正常用户被错误处置的比例。
- 漏放率：作弊行为未被拦截的比例。
- 策略延迟：风控决策耗时。
- 申诉通过率：反映误伤和策略质量。
- 损失金额：最终业务风险是否下降。
只看拦截率会诱导系统变得过于激进。真正好的风控是降低损失，同时把正常用户影响控制在可接受范围内。
上线检查清单
- 风控事件是否覆盖核心风险场景？
- 在线特征是否有延迟、命中率和降级监控？
- 规则是否支持灰度、回滚、版本审计？
- 模型是否经过影子模式和小流量验证？
- 名单是否有来源、过期时间和申诉处理？
- 决策结果是否可解释、可追踪、可复盘？
- 高风险业务是否定义了风控故障时的降级策略？
- 是否有误伤反馈和攻击样本回流机制？
课程总结
风控反作弊系统是一套持续对抗系统。攻击者会变化，业务规则会变化，正常用户行为也会变化。系统不能只依赖某条规则或某个模型，而要形成证据采集、策略判断、实时处置和反馈学习的闭环。
当你设计风控系统时，先问四个问题：
- 我们要保护什么业务资产？
- 当前有哪些可采集证据？
- 命中风险后应该采取多重动作？
- 误伤和漏放如何被发现并回流？
能持续回答这四个问题，风控系统才具备长期演进能力。