查看原文
其他

钱大妈基于 Flink 的实时风控实践

彭明德@钱大妈 Apache Flink 2023-05-01

▼ 关注「Apache Flink」,获取更多技术干货 ▼

本文作者彭明德,介绍了钱大妈与阿里云 Flink 实时计算团队共建实时风控规则引擎,精确识别羊毛党以防营销预算流失。主要内容包括:


  1. 项目背景

  2. 业务架构

  3. 规则模型

  4. 难点攻坚

  5. 回顾展望


Tips:点击「阅读原文」进入 Flink 中文学习网~


一、项目背景


目前钱大妈基于云原生大数据组件(DataWorks、MaxCompute、Flink、Hologres)构建了离线和实时数据一体化的全渠道数据中台,为各业务线提供 BI 报表及数据接口支持。除了数仓的分析场景以外,钱大妈面临着业务系统中的风控需求,例如每季度的营销费用中被不少的羊毛党薅走正常用户的利益,其中羊毛党一方面可能导致用户的口碑下降,另一方面也会影响原有的活动运营预算迅速攀升从而导致资损。钱大妈与阿里云 Flink 实时计算团队共建实时风控规则引擎,精确识别羊毛党以防营销预算流失。

图一:钱大妈实时风控流程示意图


二、业务架构


钱大妈风控业务架构如图二所示总共分为四个部分:事件接入、风险感知、风险应对、风险回溯。通过 Flink 在线 ETL 加工处理的实时用户画像标签和销售事实指标,除了作为线上 BI 指标和实时大屏数据展示,也为实时规则引擎的事件接入提供重要的数据支持。


  1. 事件接入。其中包括黑白灰名单库、画像特征数据、行为埋点数据和中台交易数据。


  2. 风险感知。策略调研后发布到规则引擎,并对告警结果进行离线回归和多渠道触达。

  3. 风险应对。对涉及到财务结算的规则提供再审核、豁免机制或人工补偿。

  4. 风险回溯。策略命中后进行统计和风险分类分级,预警离线回溯并对风控事件闭件。

图二:钱大妈实时风控业务架构图


三、规则模型


风控业务专员通过产品界面简单配置即可实时动态发布风控规则,同时对在线 Flink 作业的规则进行新增、更新以及删除,其中风控规则模型主要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。

图三:钱大妈Flink作业DAG抽象图


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:

    1. 以用户 ID 分组:"用户的下单次数";
    2. 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:

    1. A 门店近 30 分钟独立消费用户数小于 100;
    2. 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。

    1. 每 30 分钟时间窗口内,单个用户发起超过 20 笔未支付订单;
    2. 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

    1. 只对"下单事件"进行统计;
    2. 过滤门店"虚拟用户"。

  6. 聚合后的过滤条件

    1. 用户 A 在 5 分钟内下单次数 "超过 150 次";
    2. 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:

    1. 应收金额大于 150 元(应收金额 = 商品金额合计 +运费 + 优惠合计);
    2. 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:

    1. 用户 A 在 5 分钟内依次做了点击、收藏、加购;
    2. 用户 B 在 30 分钟前领了优惠券,但是没有下单。

图四:实时风控规则配置业务逻辑简图


四、难点攻坚


针对规则模型的流式序列型数据,我们选择 Flink CEP 处理事件序列匹配,由于我们整个风控作业使用 Flink 实现,并且 Flink CEP 作为 Flink 官方原生支持的 Library,集成度高无需引用额外组件即可满足事件序列匹配的需求。作业预期是允许用户在产品界面上热发布规则的,但是基于开源的 Flink CEP,实现规则动态更新能力存在以下困难点:


  1. Flink 社区的 CEP API 无法支持动态修改 Pattern 即无法满足上层规则中台、风控中台的可集成性;

  2. Flink 社区的 CEP API 无法支持Pattern 定义事件之间的超时。


阿里云 Flink 实时计算团队和钱大妈工程师共同攻坚,在 Flink 社区发起如下两个 FLIP 提案并且在阿里云实时计算产品上面输出相应功能解决此问题:


  1. FLIP-200 [1]:CEP 支持多规则和动态 Pattern 变更;

  2. FLIP-228 [2]:CEP 支持 Pattern 定义事件之间的超时。

阿里云实时计算产品输出的支持多规则和动态规则变更、支持 Pattern 定义事件之间的超时以及支持基于 IterativeCondition 的累加器功能拓宽 Flink 在实时风控的能力,并且上述功能已经在钱大妈生产环境落地实践。其中 Flink CEP 动态更新 Pattern 机制中内部各组件的交互总览如下:

图五:社区Flink CEP动态Pattern机制


风控规则由产品界面作为入口,规则写入到 Hologres 中,同时 JDBCPatternProcessorDiscover 周期性轮询发现规则的变更。其中规则表的数据结构如下:

  1. Id:规则ID;

  2. Version:规则对应的版本号;

  3. Keyby:规则分组字段(如需分组);

  4. Pattern:CEP Pattern 序列化后的 Json 字符串;

  5. Function:CEP 匹配后处理的 PatternProcessFunction;

  6. Relation:统计型和规则型之间的与、或关系(前提:统计型和规则型的 ID 相同)。

图六:社区Flink动态CEP规则表


五、回顾展望


基于 Flink 的实时风控解决方案已接应用于钱大妈集团内部生产环境,在此解决方案里未引入新的技术组件和编程语言,最大化复用 Flink 资源实现实时风控场景需求,极大降低新组件引入存在的潜在运维风险。另一方面也极大降低研发团队的学习成本,高效释放实时计算的人力资源,并且对于研发和业务应用上面带来如下好处:


  • 解耦 Flink 作业逻辑开发和业务规则定义;

  • 业务规则存储在 Database 中,便于查看规则当前状态和历史版本;

  • 规则变更只需修改 Database 存储的规则,Flink 自动加载更新作业中的规则列表;

  • 结合 Flink 生态能够非常容易集成事件异构数据源的读取与写入;

  • 结合 Flink 分布式能力,大规模扩展至数千并发度匹配运行规则。


后续钱大妈将和阿里云实时计算产品团队,继续共建完善基于 Flink 的实时风控风控解决方案,其中在 Flink CEP 的未来规划将围绕以下三个主要方向展开:


  1. Flink CEP 能力的进一步增强;

  2. Flink CEP SQL 的动态能力;

  3. Flink + DSL 的 Native 支持。


公司简介:钱大妈是在社区生鲜连锁中,以"不卖隔夜肉"作为品牌理念的的行业开拓者。在成立之初即从新鲜角度重新梳理传统生鲜行业的标准,对肉菜市场进行新的定义。钱大妈已全国布局近 30 座城市,门店总数突破 3000 多家,服务家庭超 1000 万。


本文作者:彭明德,目前就职于钱大妈,任全渠道数据中台大数据开发工程师。


同时也希望更多有实时风控需求,或热爱风控场景建设的小伙伴能够在 Flink 社区风控钉钉专群进行沟通:
图七:Flink社区实时风控专群二维码

[1] FLIP-200:https://cwiki.apache.org/confluence/pages/viewpage.action?pageId=195730308
[2] FLIP-228:https://cwiki.apache.org/confluence/display/FLINK/FLIP-228%3A+Support+Within+between+events+in+CEP+Pattern

往期精选




▼ 关注「Apache Flink」,获取更多技术干货 ▼
更多 Flink 相关技术问题,可扫码加入社区钉钉交流群~
   点击「阅读原文」,进入 Flink 中文学习网~

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存