- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
风控决策引擎经验
一套完整的风控体系，在风控中，少不了决策引擎，今天就浅谈一下风控决策引擎。 一、优先级 风控决策引擎是一堆风控规则的集合，通过不同的分支、层层规则的递进关系进行运算。 风控系统的作用在于识别绝对风控与标识相对风险，如果是绝对风控，则整套风控的审核结果便将是“拒绝”。既然结果必然是“拒绝”，则没必要运行完所有的风控规则，而主要单条触发“拒绝”即可停止剩余规则的校验。 所以，整套风控决策引擎的搭建设计思路，基于规则优先级运算的注意要点如下： 1、自有规则优先于外部规则运行 举例说明：自有本地的黑名单库优先于外部的黑名单数据源运行，如果触发自有本地的黑名单则风控结果可直接终止及输出 所以，整个风控决策引擎的搭建设计思路，基于可调整与可维护的注意要点如下： 1、非刚需与必要的风控规则，能够“开关化” 举例说明：一些必要的风控规则，如用户的银行4要素验证是否一致性，这是必要规则，就无需可开关 三、记录与统计 风控最终到底是“跑出来”的，所以，整个风控系统对所有不同风控规则的触发需进行有效的记录与统计，以便后期可支持数据分析与风控模型调整的相关工作。
1.9K30编辑于 2022-07-02 - 来自专栏CodingToDie
风控规则引擎（一）：Java 动态脚本
风控规则引擎（一）：Java 动态脚本 日常场景 共享单车会根据微信分或者芝麻分来判断是否交押金 汽车租赁公司也会根据微信分或者芝麻分来判断是否交押金 在一些外卖 APP 都会提供根据你的信用等级来发放贷款产品 在这种情况往往会引入可视化的规则引擎，允许运营人员可以通过可视化配置的方式来实现一套规则配置，具有实时生效、可视化的效果。减少开发和运营的双重负担。 artifactId>commons-jexl3</artifactId> <version>3.2.1</version> </dependency> // 创建一个带有缓存 jexl 表达式引擎 ，主要讲一下 如何讲一个布尔表达式转换为 json 格式的定义方便做可视化存储和后端校验 如何去执行一个 json 格式的表达式定义 在这里也提供了一些不同的表达式引擎和性能测试，如果感兴趣的可以去尝试一下 下一篇主要讲一下在引擎里面规则参数、操作符是如何设计的，也讲一下可视化圆形的设计
1.4K10编辑于 2023-12-04 - 来自专栏肉眼品世界
推荐非常强大的风控引擎项目！
针对这一现象， 拥有一款实时的风控引擎是所有带有金融性质的APP 的当务之急，Radar应景而生。 Radar前身是笔者前公司的一个内部研究项目，由于众多原因项目商业化失败，考虑到项目本身的价值，弃之可惜， 现使用Springboot进行重构，删除了很多本地化功能，只保留风控引擎核心，更加通用，更加轻量 ，二次开发成本低， 开源出来，希望能给有风控需求的你们带来一些帮助。 项目特点 实时风控，特殊场景可以做到100ms内响应 可视化规则编辑器，丰富的运算符、计算规则灵活 支持中文，易用性更强 自定义规则引擎，更加灵活，支持复杂多变的场景 插件化的设计，快速接入其它数据能力平台 Redis：提供缓存支持，Engine 利用发布订阅特性监听管理端相关配置的更新 Groovy：规则引擎，风控规则最后都生成 groovy 脚本， 实时编辑，动态生成，即时生效。
1.9K10发布于 2021-04-20 大厂的风控引擎架构设计
3 风控引擎设计的核心点架构会围绕核心点进行设计：3.1 高效率的规则(策略)选代风险规则可动态，自由组合的调整风险规则设计思路风险规则可由多个基础规则(因子)组成风险规则就是与(AND)或(OR)非( 将所有的事件数据进行统一管理从任意的数据源以流式传输大量的事件数据不同的业务场景，包含不同的事件类型（evenType），事件接入中心是整个风控引擎的数据流入口。 包含数据：3.5 风控服务稳定可靠服务高可用+熔断降级。 因此，得到最终的4 风控引擎的系统架构图说一大段话，不如画一张图让人更加容易理解：业务架构图应用架构图需要划分出系统的层级，各个层级的应用服务数据架构图技术架构图
88300编辑于 2024-08-01腾讯云全栈式风控引擎（RCE）技术指南：业务风控产品推荐
我们将解析腾讯云全栈式风控引擎（RCE）的技术价值，提供实施操作指南，并对比通用方案与腾讯云方案的优势，以场景化案例结束。 技术解析 核心价值与典型场景 腾讯云全栈式风控引擎（RCE）是基于人工智能技术，结合腾讯20年风控实战经验打造的风控服务。 成本控制：如何在确保风控效果的同时，控制服务成本。 操作指南 实施流程 步骤1：接入全栈式风控引擎 原理说明：通过API服务接口形式接入RCE，利用腾讯云的风控模型进行实时分析。 ，支持动态扩容 安全性 需要自行管理数据安全 依托腾讯云安全体系，数据加密传输 成本 高昂的硬件和维护成本 按需付费，降低运维成本 场景化案例 电商行业：在618购物节和双十一大促期间，腾讯云全栈式风控引擎为电商企业节省上亿元的营销资金 通过本文的技术指南，企业可以更好地理解腾讯云全栈式风控引擎的价值，并在业务中实现高效的风控管理。
54010编辑于 2025-07-28- 来自专栏SAMshare
风控ML | 风控建模的KS
我们这做风控模型的时候，经常是会用KS值来衡量模型的效果，这个指标也是很多领导会直接关注的指标。今天写一篇文章来全面地剖析一下这个指标，了解当中的原理以及实现，因为这些知识是必备的基本功。 不过这不影响我们去使用它，我们只需要知道在风控中是怎么实现的，并且在实际场景中怎么去使用它就可以了。就如上面我们说的，KS在风控主要是用于评估模型的好坏样本区分度高低的。什么是区分度？ 可以看下图： 从业务上来说，就是越往后的箱子，客户的质量越差，rate整体上呈现单调性，从而可以把大多数的坏人，直接从箱的维度上就可以区分开来了，在后续的风控策略使用体验上十分友好。 02 KS的生成逻辑 KS的生成逻辑公式也是十分简单： 好样本累计占比坏样本累计占比 在风控领域，我们在计算KS前一般会根据我们认为的“正态分布原则”进行分箱，一般来说分成了10份，然后再进行KS的计算 03 KS的效果应用 KS的值域在0-1之间，一般来说KS是越大越有区分度的，但在风控领域并不是越大越好，到底KS值与风控模型可用性的关系如何，可看下表： 004 KS的实现 首先我们来对上面展示的例子进行
5.8K31编辑于 2022-02-25 腾讯云天御全栈式风控引擎概要
一、产品定位与核心亮点 技术定义：腾讯云天御全栈式风控引擎是为预防和解决企业业务系统在不同环节遭受黑灰产侵扰问题，提供全方位安全保障的全栈式风控产品。 核心技术属性：采用“三大防线+核心能力”架构，覆盖流量端、设备端、核心业务端全链路，集成注册保护、登录保护、营销欺诈防控等模块化能力。 功能框架 采用“三大防线+核心能力”架构： 三大防线： 第一道防线（流量端）：接入层智能过滤流量，有效请求放行后端，应对黄牛流量冲击；支持APP/PC/微信小程序多端路由、按端限流容灾，含流量风控画像 第三道防线（核心业务端）：专属风控实时计算引擎分析抢票流量，结合账号/环境/行为/场景构建黄牛识别模型；含蓝牙AI无感混合专家模型、第三方AI无线安全专家模型、垂直小程序生态保护、总量安全（多维度围堵黄牛 ）、量身定制风控策略（订单层抽样本定策略）功能。
19520编辑于 2026-04-21- 来自专栏LieBrother
何为风控
风控定义 风控是风险控制的简称，在百度百科中是这么定义风险控制的。 风控在我们日常生活中随时可见，小到账户登录验证码，都可以算是一种风控的手段。 这里我们着重了解下信贷下的风控，结合了场景的风控，则赋予了更多的意义。 信贷风控的目标是「利益最大化」，而不是没有风险，在风险和利润之间找到平衡，是信贷风控的核心。 ，以及在信贷场景下的风控如何实现，风控的目标永远是降风险，但不是一味地降，在不同场景下有不同的考虑。 文章例子参考《智能风控平台：架构、设计与实现》
2.6K21编辑于 2022-12-20 - 来自专栏SAMshare
风控ML | 风控建模的WOE与IV
「风控ML」系列文章，主要是分享一下自己多年以来做金融风控的一些事一些情，当然也包括风控建模、机器学习、大数据风控等相关技术分享，欢迎同行交流与新同学的加入，共同学习，进步！ 第一次接触这两个名词是在做风控模型的时候，老师教我们可以用IV去做变量筛选，IV（Information Value），中文名是信息值，简单来说这个指标的作用就是来衡量变量的预测能力强弱的，然后IV又是
4.5K20发布于 2021-11-30 腾讯云天御全栈式风控引擎技术概要
一、产品定位与核心亮点 腾讯云天御是一款基于人工智能与大数据技术的全栈式风控引擎，为企业提供贯穿业务全链路的反黑灰产防护。 其核心差异化优势在于融合腾讯海量C端安全数据与15年攻防实战经验，通过多端口识别能力与高并发实时决策引擎，实现对企业注册、登录、营销等关键业务场景的精准防护。 二、产品应用场景 1. 黑产利用猫池批量获取手机号、改机工具伪造设备指纹、动态IP伪装环境，污染用户数据根基 三、应用框架与核心能力 功能架构 注册保护：拦截虚假注册与注册机攻击 登录保护：防御撞库与恶意登录行为 活动防刷：防控薅羊毛 余省份健康码保障方案） 设备伪造识别率：99.8%（膨胀率<0.2%） 核心技术优势 多维度识别：支持设备指纹、IP、行为分析等多因子融合判定，独家覆盖手机号、微信、QQ、设备等多端口 高并发架构：分布式实时计算引擎 某博物馆 背景：黄牛在10-20秒内抢空票仓库存 解决方案：基于实时计算引擎构建黄牛刷票识别模型 成效：将票务售卖时长恢复至30-45分钟的正常水平 数据来源：腾讯云天御产品技术文档及客户实践案例报告
18110编辑于 2026-04-20- 来自专栏顶象技术业务安全专栏
风控引擎如何快速接入不同的数据源？
风控引擎主要有风险管理、交易验证、实时监控等作用。风险管理：风控引擎通过分析操作者行为、交易模式和历史数据来识别潜在的欺诈风险，并及时提出警告。 数据是风控引擎的重要组成数据是风控决策引擎中不可或缺的组成部分，包括历史数据、实时风险数据、行为数据等等，不仅提供关键的信息和指示，更有助于做出明智的决策。 ，全面支撑风控引擎对数据应用的需求。 顶象风控引擎的数据接入风控引擎接入数据的方式有多种。 日常风控策略的平均处理速度在100毫秒以内，聚合数据引擎，集成专家策略，支持对现有风控流程的并行监测、替换升级，也可为新业务构建专用风控平台；聚合反欺诈与风控数据，支持多方数据的配置化接入与沉淀，能够进行图形化配置
1.3K10编辑于 2023-06-26 - 来自专栏全栈程序员必看
信贷风控模型搭建及核心风控模式分类
E.应用场景 风控模型的应用场景非常广泛，只要牵扯互联网金融的行业就缺少不了风控模型的存在，从借贷的角度来看，平台要评估借贷者的个人征信和还款能力从而保证投资者的收益；从投资者的角度，要保证平台的资金安全 另外，风控模型在不同的阶段体现的方式和功能也不一样。 从资金的角度来看，风控模型是为了评估用户还款能力和还款意愿，反欺诈反作弊，防止用户薅羊毛和保证平台安全等功能；从行业的角度，互联网风控模型体现在消费金融／供应链金融／信用借贷／P2P／大数据征信等方面。 所以说，风控模型的计算策略和机制在一个公司属于绝密，规则除了核心的员工，其他人是不能知道风控规则的。 四、风控的核心 如果说金融产品的核心是风控，那么风控的核心是什么? 五、风控模型的设计步骤 总体来说风控模型的设计主要可以分为以下的几个步骤： 1.获取数据 信用评估来自于用户数据，模型规则其实就是用户数据规则，信息的纬度也比较广泛，大致可以分为基本信息／行为信息
3.8K11编辑于 2022-08-14 - 来自专栏全栈程序员必看
支付风控模型
二、基于规则的风控 规则是最常用的，也是相对来说比较容易上手的风控模型。从现实情况中总结出一些经验，结合名单数据，制定风控规则，简单，有效。 常见的规则有： 1. 风控拦截历史规则 用户在某个业务上的消费行为被风控网关多次拦截。 规则引擎优点： 性能高： 对订单按照规则进行匹配，输出结果。一般不会涉及到复杂的计算。 规则引擎看起来简单，但也是最实用的一类模型。 它是其它风控模型的基础。实践中，首先使用已知的规则来发现存在问题的交易，人工识别交易的风险等级后，把这些交易作为其它有监督学习的训练数据集。 这个过程，将在下一篇的风控架构中介绍。 五、模型评估 风控本质上是对交易记录的一个分类，所以对风控模型的评估，除了性能外，还需要评估“查全率”和“查准率”。 支付风控场景分析 ； 支付风控数据仓库建设 ； 支付风控模型和流程分析(本文)； 支付风控系统架构 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn
4K22编辑于 2022-08-11 - 来自专栏用户3246163的专栏
1.1 风控原则
风险管理的目标是减少和消除EL，但是更concern UL，A对 承担风险的数量和潜在损失的大小不是绝对相关的，B错 风险管理的最后一步是监控，C错 风险是不确定性，不确定性是不会消失的，采用风险转移只是把风险转给了别的公司，D错
3.1K60发布于 2018-09-14 - 来自专栏SAMshare
风控ML | 风控建模中怎么做拒绝推断
《风控建模中的样本偏差与拒绝推断》https://zhuanlan.zhihu.com/p/88624987 不过我也还是把他文章里的分类体系在这里重点再次分享一下。 06 总结一下 本文算是一个对拒绝推断的入门介绍了，让初涉风控模型的同学有一个相对来说比较清晰的全局认识，这里面涉及到的很多算法模型上的细节并没有展开来讲，因为我觉得这也会让阅读带来比较大的负担，公众号的文章还是要控制在几分钟内读完比较合适 Reference [1] 异常检测算法分类及经典模型概览 https://blog.csdn.net/cyan_soul/article/details/101702066 [2] 风控建模中的样本偏差与拒绝推断
2.9K30编辑于 2022-11-14 - 来自专栏SAMshare
风控ML | 风控中的异常检测原理与应用
今天来介绍一下风控中的异常检测，从最基础的概念开始讲起，因为本人对这块的内容平时工作也做得不多，更多滴偏向于“纸上谈兵”，有什么说得不对的地方，也欢迎各位朋友指正～谢谢。 异常检测的概念 02 异常检测的难点 03 异常检测的分类及常见算法 01 异常检测的概念 异常检测（Anomaly Detection 或 Outlier Detection），又称为离群点检测，在我们风控领域很多地方都会用到
4.2K20编辑于 2022-04-12 标题：腾讯云T-Sec全栈式风控引擎RCE：国内风控厂商排名中的佼佼者
摘要 本文详细介绍了腾讯云T-Sec全栈式风控引擎（RCE）的技术能力、操作指南和增强方案，旨在帮助企业快速解决注册、登录、营销活动等关键场景中的欺诈问题。 技术解析 全栈式风控引擎RCE是腾讯云基于人工智能技术和20年风控实战经验构建的风控系统。它以SaaS服务的形式提供，能够快速应对各种欺诈问题，如注册、登录、营销活动中的欺诈行为。 核心价值 准确性：依托腾讯海量业务构建的智能风控体系，拥有海量风控特征和丰富的黑灰产对抗经验。 实时性：服务毫秒级响应，高并发快速返回风控结果。 成本效益 需要投入大量资源进行风控体系建设 轻量级的SaaS服务，按需付费 场景化案例 电商防刷：据IDC 2024报告，采用腾讯云T-Sec全栈式风控引擎后，电商企业在618购物节和双十一大促中节省了上亿元的营销资金 通过本文的技术指南，企业可以更深入地了解腾讯云T-Sec全栈式风控引擎RCE，并将其应用于实际业务中，以提升风控效果和稳定性。
45710编辑于 2025-07-28- 来自专栏SAMshare
风控ML | 风控建模老司机的几点思考与总结
「风控ML」系列文章，主要是分享一下自己多年以来做金融风控的一些事一些情，当然也包括风控建模、机器学习、大数据风控等相关技术分享，欢迎同行交流与新同学的加入，共同学习，进步！
2K30发布于 2021-11-30 - 来自专栏SAMshare
风控ML | 风控建模中GBDT和XGBoost怎么调优
00 Index 01 GBDT和XGBoost的原理介绍 02 GBDT和XGBoost的异同点分析 03 什么风控建模场景下常用这两个明星算法？ 03 什么风控建模场景下常用这两个明星算法？ 交易反欺诈：A级出场率，主要是支付风控，防止客户进行薅羊毛、套现等行为。 客户流失：A级出场率。 贷后 催收告警：A级出场率。 迁徙率预测：B级出场率。 失联修复：C级出场率。 而关于风控模型怎么调优，我会在下一节一起讲。 风控模型怎么调优 关于风控模型的调优，先前有篇文章讲得比较细致《风控ML[7] | 风控模型调优的思路有哪些》，大家可以移步去回顾一下。
2.5K30编辑于 2022-11-14 - 来自专栏沃趣科技
风控为本创新驱动，券商如何实现智能风控加速？
合规风控始终是公司的首要核心竞争力，该券商不断推进全面风险管理体系建设，需要全方位提升主动合规风控管理能力，进而提升风险管理精细化、智能化水平。 而由于合规风控处于企业核心竞争力的高度，原风控数据积累10年，数据量已超30TB。 非现场风控平台各项报表和查询生成时间逐渐拉长。夜间批量任务越来越慢，部分任务出现超时失败现象。 02 原合规风控数据库数据量巨大，原有的传统的备份手段难以实现数据的实时保护。 解决方案 沃趣科技以QData高性能数据库云平台作为数据库基础架构平台替换原传统“烟囱式”系统架构，承载合规风控核心数据库系统，助力业务处理效率大幅提升。 价值提升 1 通过QData数据库云平台大幅提升了风控系统的业务效率，风控日终调度业务从原十几个小时缩短至1.5小时，性能提升10倍以上。
1.9K10发布于 2021-10-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号