当前位置：网站首页>风控逻辑利器---规则引擎

风控逻辑利器---规则引擎

2022-08-10 22:37:00 【InfoQ】

前言

规则引擎的定义

规则引擎的执行方式

转转风控规则引擎

总结

前言

风控的职责是为了控制业务的风险。在识别风险过程中，要根据大量的用户行为和用户信息去做逻辑判断，最终给出决策结果。在决策过程中，大量的逻辑判断需要开发和维护，如果以传统的方式去开发和维护，需要付出巨大的时间成本并且隐藏着毁灭性的事故隐患。所以将业务代码和复杂的逻辑代码剥离显得迫在眉睫。

规则引擎的定义

规则引擎由推理引擎发展而来，是一种嵌入在应用程序中的组件，实现了将业务决策从应用程序代码中分离出来，并使用预定义的语义模块编写业务决策。接受数据输入，解释业务规则，并根据业务规则做出业务决策。

下图是规则引擎的组成部分：

1）特征集合：表示当前传入的数据(例如：用户对象zzuser)。

2）条件：逻辑判断。

3）规则：对特征进行逻辑判断，得出结论。

4）规则集：多条规则组合成规则集。

规则引擎推理方式分为两种：

正向链接推理：这是一种基于“数据驱动”的形式，基于用户的行为信息和基本信息，得出结论。

反向链接推理：这是一种基于“目标驱动”的推理形式，与正向链接相反，以假设的结论出发，推断用户的哪些行为信息和基本信息符合假设的结论。

规则引擎的执行方式

(1) 解释执行

一般会有自己的规则解释器，规则解释器解释执行。

(2) 动态编译

规则会动态的编译成字节码并执行。

规则编译成字节码的步骤

a.文法分析

b.语法解析

c.生成字节码

(3) 自定义解释规则

早期在没有引入表达式引擎的时候，就是通过自定义实现的表达式解析。

举个例子

特征a、特征b、特征c => 求特征d

d = （a+b）/ c 这是一个简单的四则运算表达式。

这个表达式对于人的思维方式来说非常的简单，但是计算机识别起来就非常的困难。所以要将常规的表达式转换成计算机方便计算的表达式(逆波兰表达式)。

上面的表达式转换成逆波兰表达式为： ab+c/

这样计算机就可以比较简单的求出表达式的值。

逆波兰表达式的转换算法感兴趣的可以自行百度。

转转风控规则引擎

转转风控规则引擎是一种正向链接推理的规则引擎，以数据为驱动，去推断相应的结论。比如说，业务要识别违禁品，可以根据图片模型分数大于0.9来推断出用户违规。

特征：模型分数。

操作符号：大于

阈值： 0.9

这三部分构成了一个规则。

转转规则引擎的发展阶段

第一阶段：硬编码阶段，此阶段所有的规则都是通过代码写死的，维护性和扩展性极差。

第二阶段：规则引擎阶段，通过抽象业务，开发规则配置平台，可以非常方便的运营规则，增加了规则的机动性。

下图是规则运行的一个用例图：

特征(按类型划分)

用户特征：用户的昵称、年龄、注册时间等。

商品特征：商品内容、标题等。

订单特征：订单金额、订单的品类等。

操作符号

规则引擎操作符：大于、小于、等于、敏感词匹配、用户标记等

结果

命中规则或者不命中规则

下图是实际的一个规则配置(商品的当前价格是否小于等于30000)：

第三阶段：完善特征工程阶段，减少特征的开发上线。

表达式引擎的引入

表达式引擎的选择

两者性能差不多，最终选择了aviator，因为aviator社区活跃度和jar包大小要优于Fel。

aviator表达式功能简介

(1) 支持绝大多数运算操作符，包括算术操作符、关系运算符、逻辑操作符、位运算符、正则匹配操作符(=~)、三元表达式(?:)

(2) 支持操作符优先级和括号强制设定优先级。

(3) 支持赋值。

(4) 逻辑运算符支持短路运算。

(5) 支持丰富类型，例如nil、整数和浮点数、字符串、正则表达式、日期、变量等，支持自动类型转换。

(6) 支持 lambda 匿名函数和闭包。

(7) 内置一套强大的常用函数库

(8) 可自定义函数，易于扩展

(9) 可重载操作符

(10) 支持大数运算(BigInteger)和高精度运算(BigDecimal)。

(11) 小巧并性能优秀

aviator表达式引擎在特征工程的实践

(1) 基本特征取值

比如说，订单价格特征(orderFeture.price)、商品标题特征(infoFeature.title)、用户昵称特征(userFeature.nickname)。（注:orderFeture,infoFeature,userFeature是系统中的一个实体对象）

(2) 特征的基本运算

比如说，已有手机分类商品数特征(infoFeature.phoneTotalCount)、全部商品总数特征(infoFeature.totalInfoCount)，想要一个手机商品数在商品总数中的占比特征，就可以直接通过四则运算获取到：long(infoFeature.phoneTotalCount)*100/long(infoFeature.totalInfoCount)

(3) 内置函数

aviator提供了大量的内置函数，可以通过它的内置函数获取想要的配置结果。比如说，商品标题长度特征string.length(infoFeature.title)，应用了求字符串长度的函数string.length。

(4) 自定义函数

aviator除了内置的函数，还支持自定义函数，可以根据需求自定义函数。比如说，想通过配置获取redis里的值，就可以开发一个获取redis的函数(函数名字是jodisFeature)。

jodisFeature('price_median', infoFeature.cateChildId)。这个特征配置就是为了获取redis key为price_median的值。特征的代表的含义是：分类价格的中位数，当然这些数据已经提前计算好存储在redis里面了。

(5) Lambda表达式

个人感觉Lambda表达式的引入是一个质的飞跃，这样就可以操作集合，只要有源数据，就可以转换出任何想要的特征。比如说，已有订单流水list(orderFeature.orderFlow)，通过lambda表达式就可以转换成特征(发货时间到确认收货时间)：seq.get(map(filter(orderFeature.orderFlow,lambda(x)->(x.status==5)end),lambda(y)->y.latestOpTime end),0)- order.deliverTime

总之，表达式引擎还有各种各样的玩法，感兴趣的可以自行尝试。

特征数据源

引入表达式引擎之后，可以通过各种函数转换获取想要的特征，特征的转换依赖数据源。由于数据源的获取需要开发上线，给特征配置化带来极大的不便。因此，数据源的获取成了特征配置的瓶颈。数据源哪里来呢？两种方式：一种是业务请求携带的参数数据，另一种是调用服务方获取的数据。第一种对应的解决方案是特征映射，第二种对应的解决方案是服务配置。

1. 特征映射

特征映射是为了将业务方的参数转换成需要的特征。业务方通过两种方式调用，一种是同步调用，另一种是异步调用(异步调用采用的是消息队列的形式)。为了将业务的数据源统一收拢，跟业务约定将参数放到map里面，规则需要什么数据就可以通过map去获取。为了方便特征配置，开发了一个获取业务参数的自定义函数(函数名：paramget)。例子：paramget('uid')代表的意思就是获取用户的uid。

在实际开发过程中，MQ异步调用的方式遇到了一些困难。由于各个业务系统的MQ消息体字段名称不一致，导致配置兼容比较多。比如说，同样都是uid的特征，有的业务MQ中用uid字段表示，有的用userId字段表示。为了控制字段兼容对规则的侵入性，在MQ消息和风控特征数据源之间做了一层映射，这层映射解决了字段对应偏差的问题。