攜程是如何把大資料用於實時風控的
攜程作為國內OTA領頭羊，每天都遭受著嚴酷的欺詐風險，個人銀行卡被盜刷、賬號被盜用、營銷活動被惡意刷單、惡意搶佔資源等。
目前攜程利用自主研發的風控系統有效識別、防範這些風險。攜程風控系統從零起步，經過五年的不斷探索與創新，已經可以有效覆蓋事前、事中、事後各個環節。也從原來基於“簡單規則+DB”，發展到目前能夠支撐10X交易增長的智慧化風控系統，基於規則引擎、實時模型計算、流式處理、M/R、大資料、資料探勘、機器學習等的風控系統，擁有實時、準實時的風險決策、資料分析能力。
一、Aegis系統體系
主要分三大模組：風控引擎、資料服務、資料運算、輔助系統。
- 風控引擎：主要處理風控請求，有預處理、規則引擎和模型執行服務，風控引擎所需要的資料是由資料服務模組提供的。
- 資料服務：主要有實時流量統計、風險畫像、行為裝置資料、外部資料訪問代理，RiskGraph。資料訪問層所提供的資料都是由資料計算層提供。
- 資料運算：主要包括風險畫像運算、RiskSession、裝置指紋、以及實時流量、非實時運算。資料運算所需的資料來源主要是：風控Event資料（訂單資料、支付資料），各個系統採集來的 UBT、裝置指紋、日誌資料等等。
除了這些，風控平臺還有非常完善的監控預警系統，人工稽核平臺以及報表系統。
二、Aegis系統架構
三、規則引擎
規則引擎包含3大功能，首先是適配層。由於攜程的業務種類非常多，而且每種業務都有其特性，在進入風控系統（Aegis）後，為了便於整個風控系統對資料進行處理，風控前端有一個介面卡模組，把各個業務的資料都按照風控內部標準化配置進行轉換，以適合風控系統使用。
在完成資料適配後。風控系統要進行資料的合併。舉個例子，當有一筆支付風控校驗，支付BU只拋過來支付資訊（支付金額、支付方式、訂單號等）。但是不包含訂單資訊，這個時候就必須根據支付資訊快速的查詢到訂單資訊，並把這兩個資料進行合併，以便規則、模型使用。大家知道，使用者從生成訂單到發起支付，其時間間隔從秒到天都有可能，當間隔時間短的時候，就會發生要合併的資料還沒有處理完，所以訂單資料從處理到落地要非常快。第二部就是要快速查詢到訂單資料，我們為訂單資訊根據生成 RiskGraph，可以快速精確定位到所需要的訂單明細資料。
預處理在完成資料合併後，就開始準備規則、模型所需要的變數、tag資料，在準備資料時，預處理模組會依賴後面我們要講解的資料服務層。當然，為了提高效能，我們為變數、tag的資料合理安排，優先獲取關鍵規則、模型所需要的變數、tag的資料。
大家知道，欺詐分子的特點就是一波一波的，風控系統需要能夠及時響應，當發現欺詐行為後，能及時上規則防止後續類似的欺詐行為。所以，制定規則需要快速、準確，既然這樣，那麼就需要我們的規則能夠快速上線，而且規則人員自己就可以制定規則並上線。還有就是規則與執行規則的引擎比較做到有效隔離，不能因為規則的不合理，影響到整個引擎。那麼規則引擎就必須符合這些條件。
我們最後選擇了開源 Drools，第一它是開源；第二它可以使用Java語言，入門方便；第三功能夠用。這樣攜程風控引擎實現了規則上線的高效攜程風控實時引擎，通過使用規則引擎Drools，使其具有非常高的靈活性、可配置性，並且由於是java語法的，規則人員自己就可以制定規則並迅速上線。
由於每個風控Event請求，都需要執行數百個規則，以及模型，這時，風控引擎引入了規則執行路徑優化方法。建立起並行+序列，依賴關係+非依賴關係的規則執行優化方法，然後再引入短路機制，使上千個規則的執行時間控制在100ms。
規則的靈活性非常強，制定、上線非常快，但是單個規則的覆蓋率比較低，如果要增加覆蓋率就需要非常多的規則來進行覆蓋，這個時候規則的維護成本就會很高，那麼這個時候就需要使用模型了，模型的特點就是覆蓋率覆蓋率可以做到比較高，其模型邏輯可以非常複雜，但是其需要對其進行線下訓練，所以攜程風控系統利用了規則、模型的各自特點進行互補。
在目前的風控系統中主要使用了：Logistic Regression、Random Forest。兩個演算法使用下來，目前情況為：LR訓練變數區分度足夠好的情況下，加以特徵工程效果比較好。RF當變數線性區分能力較弱的時候，效率比較高。所以使用RF的比例比較多。
四、資料服務層
資料服務層，主要功能就是提供資料服務，我們知道在風控引擎預處理需要獲取到非常多的變數和tag，這些變數和tag的資料都是由資料訪問層來提供的。該服務層的最重要的目的就是響應快。所以在資料服務層主要使用Redis作為資料快取區，重要、高頻資料直接使用Redis作為持久層來使用。
資料服務層的核心思想就是充分利用記憶體（本地、Redis）：
- 本地記憶體（大量固定資料，如ip所在地、城市資訊等）；
- 充分利用Redis高效能快取。
由於實時資料流量服務、風險畫像資料服務的資料是直接儲存在Redis中，其效能能夠滿足規則引擎的要求，我們這裡重點介紹一下資料訪問代理服務。
資料訪問代理服務，其最重要的思想就是該資料被規則呼叫前先呼叫第三方的服務，把資料儲存到Redis中，這樣當規則請求來請求的時候，就能夠直接從Redis中讀取，既然做到了預載入，那麼其資料的新鮮度及命中率就非常重要。我們以使用者相關維度的資料為例，風控系統通過對使用者日誌的分析，可以偵測到哪些使用者有登陸、瀏覽、預定的動作，這樣就可以預先把這些使用者相關的外部服務資料載入到Redis中，當規則、模型讀取使用者維度的外部資料時，先直接在redis中讀取，如果不存在然後再訪問外部服務。
在某些場景下，我們還結合引入DB來做持久化，當用戶某些資訊發生變化的時候，公共服務會發送一個Message到Hermes，我們就訂閱該資訊，當知道該使用者的某些資訊發生修改，我們就主動的去訪問外部服務獲取資料放入Redis中，由於風控系統能夠知道這些資料發生變化的Message，所以這些資料被持久化到DB中也是ok的，當然，這些資料也有一個TTL引數來保證其新鮮度。在這種場景下，系統在Redis沒有命中的情況下，先到DB中查詢，兩個地方都不存在滿足條件的資料時，才會訪問外部服務，這個時候，其效能、儲存空間就可以得到優化。
五、Chloro系統
Chloro系統是資料分析服務也是整個風控系統的核心，資料服務層所使用到的資料，都是由Chloro系統計算後提供的。主要分析維度主要包括：使用者風險畫像，使用者社交關係網路，交易風險行為特性模型，供應商風險模型。
可以看到資料的來源主要有hermes、hadoop、以及前端拋過來的各種風控Event資料。Listener是用來接收各類資料，然後資料就會進入 CountServer 和 Real-Time Process系統，其中和RiskSession的資料就先進入Sessionizer ，該模組可以快速進行歸約Session處理，根據不同的key歸約成一個session，然後再提交給 實時處理系統進行處理。當Real Time Process 和 CountServer對資料處理好後，這個時候分成了兩部分資料，一部分是處理的結果，還有一份是原資料，都會提交給Data Dispatcher，由它進行Chloro系統內部的資料路由，結果會直接進入到RiskProfile提供給引擎和模型使用。而原始資料會寫入到Hadoop叢集。
Batch Process就利用Hadoop叢集的大資料處理能力，對離線資料進行處理，當Batch Process處理好後，也會把處理結果傳送給Data Dispatcher，由它進行資料路由。
Batch Process還可以做跨Rsession之間的資料分析。
RiskSession的定義：量化、刻畫 使用者的行為，任何人通過任何裝置訪問攜程的第一個event開始，我們認為Rsession start了，到他離開的最後一個event後30分鐘之內沒有任何痕跡留下，我們認為Rsession end。
風控系統通過比較使用者資訊：Uid，手機號，郵箱，裝置資訊：Fp（Fingerprint），clientId，vid，v，deviceId來判斷其是否是同一個使用者，通過其行為資訊：瀏覽軌跡, 歷史軌跡來判斷其行為相似度。比如：使用者在PC端下單、然後在手機APP裡完成支付，這個對於Chloro是一個會話，這個會話我們稱之為風控Session，通過Risksession的定義，風控系統使使用者的行為可以量化，也可以刻畫。這樣Risksession實際上可以作為使用者行為的一個 Container。使用RiskSession就可以做到跨平臺，更加有利於分析使用者特徵。
Risk Graph 是根據攜程風控系統的特點開發出來的，Risk Graph是一個基於HBase進行為儲存介質的系統，比如，以使用者為節點其值就是HBase使用者表的key，其每個列就是特性，然後根據使用者的某個特性再建立一個hbase表，這樣就建立了一個基於HBase的類Graph的架構。
所以該系統的一個核心思想是先建立各個維度的資料索引，然後根據索引值再進行內容的查詢。目前風控系統已經建立了十幾個維度的快速索引。
六、Aegis其它子系統
Aegis還有配置系統，使用者可以在上面進行各種配置，如規則、規則執行路徑，標準化、tag、變數定義、已經資料清洗業務羅輯等等，當然監控系統也是非常重要的，風控研發秉承著監控無處不在的設計理念，使其能夠在第一時間發現系統的任何細小變化。
七、展望
攜程風控在3.0中通過引入規則引擎、在Chloro系統中大量使用開源的基於大資料處理的架構，配合模型取得了非常好的效果，在4.0中，將在機器學習、人工智慧、行為特徵等方向繼續發力，進一步提高風控系統識別能力，對於技術將繼續擁抱開源技術，下一步會引入Spark等提高風控系統的資料處理能力。