YouMing_Li的博客

前几篇文章我们已经介绍完了服务启动时的各种加载和启动工作，但实际最底层工作的最小单元是规则，规则的执行则依赖特征和操作符，本文我们就介绍与它们相关的代码。

在上一篇文章中，我们已经介绍了Dsl元信息，决策流执行基本要素INode接口，以及决策流构成、决策流执行上下文记录器Pipeline。本文接着介绍，将决策流yaml文件加载为Dsl结构体到内存，而后转换为决策流，并启动Gin路由，监听执行请求。本文完成后的目录结构。

DSL: 读取yaml文件后对应的结构体，还需要转换为才是真正可以执行的图: 可实际执行决策流（图)，FlowNode记录了具体的一个节点类比到DB存储，则是DB一条记录是一个DSL元信息配置，我们将其加载到内存后用结构体（DSL）保存，而后这个结构体需要再转换为另一个结构体（DecisionFlow）方可执行。

在项目中，日志是不可获取的组件，我们后续万一有问题，最有效的手段就是根据日志排查各种问题。为了后续可以很方便的获取到配置信息，我们专门定义了全局变量，用于存储配置信息。运行后输出如下，因为我们这里选择输出到文件，所以本地会产生一个out文件。在服务启动时，一般第一步就是加载相关的配置文件，如服务启动的端口号，最后，就是服务启动时，将配置文件的信息加载，保存到全局变量中。最后，我们可以将日志的初始化，也放到服务启动入口。接着，我们需要写一个Logger接口的实现类。等服务地址，日志相关配置等。

Q：互金领域的风险有哪些？A：欺诈风险 、 信用风险、合规风险（监管要求）Q：如何对抗风险？A：通过大数据来构建规则和模型进行风险控制和风险预警Q：业务规则和模型策略 如何落地？A：通过决策引擎承载规则和模型的自动化实施和部署风控决策引擎，支持规则和模型的配置、管理、执行，支持通过专家经验和大数据机器学习进行风险控制。如图所示，风控决策引擎作为风控核心支撑组件，对风控管控起到重要的决策作用。决策引擎作为系统，那么系统设计的功能目标和性能目标都有哪些？决策流。

大数据的计算模式主要分为批量计算 （

之前介绍了决策引擎的规则集决策流，以及决策树决策表决策矩阵等功能实现。评分卡作为决策引擎不可或缺的功能之一，今天主要聊一下评分卡及其相关实现。先看下官方的定义。信用评分模型是一个量化工具，利用可观察到的借款人特征变量计算出一个数值（得分）来代表债务人的信用风险，并将借款人归类于不同的等级风险。评分卡，又称信用评分卡模型，是最常见的金融风控手段，用于信贷审批、信用卡申请等业务。区别于规则单维度评估，信用评分引入多特征维度，通过建立模型进行评分，作为资产质量的重要量化标准，如芝麻分即为一种评分卡。

互联网金融风控场景中，除了根据规则（反欺诈策略、政策准入）对用户进行准入或拒绝外，还会对用户进行更多维度的授信评估，如根据模型评分对用户进行评级，输出用户可借额度、期限、费率等，如何利用模型结果和规则结果来决策输出？常见的决策方式包括：决策树、决策表、决策矩阵。本文将主要介绍决策相关设计实现，并给出rete算法实现方案。

在之前的文章中，我们实现了规则引擎和决策流，基本完成了风控决策引擎系统的雏形。大数据风控领域通常根据规则对风险用户进行有效识别并拒绝准入或提高准入门槛，如判断用户信用卡历史逾期记录>5次且逾期总金额>5000元，用户多头共债数大于5，这部分用户风险较大，应该拒绝或进一步人审处理。而使用规则策略做风控有一定的局限性，依赖人经验，依赖单维特征，可决策结果单一。建立机器学习模型预测用户未来逾期风险（概率），对用户进行分级，可以更灵活给予不同金融产品方案，不同额度、费率、期限方案，进一步提升风控能力。

在上一篇文章中，我们实现了一个完整的规则集解析过程，实现了规则引擎。智能风控决策引擎系统可落地实现方案（一）：DSL。实际风控需求通常不会只有一组规则，会对不同的规则、规则集进行编排，还会出现分支流程，子流程，形成一个更复杂风控流程，我们叫决策流决策流的解析就是实现一个流程引擎。流程引擎也叫工作流引擎，有很多开源实现，比较出名的是java的ActivitijBPM5。这里我们从业务需求分析，抽象建模并自己实现流程解析过程。

风控决策引擎系统是在大数据支撑下，根据行业专家经验制定规则策略、以及机器学习/深度学习/AI领域建立的模型运算，对当前的业务风险进行全面的评估，并给出决策结果的一套系统。决策引擎，常用于金融反欺诈、金融信审等互金领域，由于黑产、羊毛党行业的盛行，风控决策引擎在电商、支付、游戏、社交等领域也有了长足的发展，刷单、套现、作弊，凡是和钱相关的业务都离不开风控决策引擎系统的支持保障。决策引擎和规则引擎比较接近（严格说决策引擎包含规则引擎，之前也有叫专家系统，推理引擎），它实现了业务决策与程序代码的分离。