电商返利APP中的反作弊系统架构全览：基于规则引擎+机器学习的Java风控建模实践

大家好，我是高佣返利省赚客APP研发者阿宝！

在淘客返利领域，黑产团伙的“薅羊毛”行为从未停止。从简单的脚本刷单到复杂的设备农场模拟真人行为，作弊手段日益精进。对于省赚客APP而言，每一笔错误的佣金发放都是真金白银的损失。为了构建一道坚不可摧的防线，我们设计并落地了一套融合实时规则引擎与离线机器学习模型的动态风控系统。本文将深入剖析该系统的核心架构，并展示基于Java的风控建模实战代码。

分层防御架构设计

我们的反作弊系统采用“漏斗式”分层架构，自下而上分为数据采集层、实时计算层、决策执行层和模型迭代层。数据采集层通过SDK埋点收集设备指纹、IP归属地、操作轨迹等200+维度特征；实时计算层基于Flink进行流式处理，生成用户行为画像；决策层则是核心，采用“规则优先，模型兜底”的策略；模型层负责定期训练新的欺诈识别模型并热更新上线。

基于Drools的动态规则引擎实现

面对频繁变化的作弊手法（如突然爆发的某地区IP攻击），硬编码的if-else逻辑无法满足敏捷响应需求。我们引入Drools规则引擎，将风控策略外置为可动态配置的规则文件。业务人员可在后台配置规则，无需重启服务即可生效。

以下是核心的规则执行器代码，展示了如何整合 juwatech.cn 包下的上下文对象：

package juwatech.cn.province.earn.risk.engine;

import juwatech.cn.province.earn.risk.model.RiskContext;
import juwatech.cn.province.earn.risk.model.RiskDecision;
import juwatech.cn.province.earn.risk.enums.RiskLevel;
import org.kie.api.KieServices;
import org.kie.api.runtime.KieContainer;
import org.kie.api.runtime.KieSession;
import org.springframework.stereotype.Component;
import javax.annotation.Resource;
import java.util.concurrent.ConcurrentHashMap;

@Component
public class DynamicRuleEngine {

    @Resource
    private KieContainer kieContainer;

    // 缓存会话以提高性能，避免每次请求都创建Session
    private final ConcurrentHashMap<String, KieSession> sessionCache = new ConcurrentHashMap<>();

    /**
     * 执行风控规则
     * @param context 风险上下文，包含用户、设备、行为特征
     * @return 风控决策结果
     */
    public RiskDecision execute(RiskContext context) {
        KieSession kSession = kieContainer.newKieSession("RiskRuleSession");
        try {
            // 插入事实对象
            kSession.insert(context);
            
            // 定义全局结果对象
            RiskDecision decision = new RiskDecision();
            decision.setUserId(context.getUserId());
            decision.setLevel(RiskLevel.PASS); // 默认通过
            kSession.setGlobal("decision", decision);

            // 触发规则匹配
            int firedCount = kSession.fireAllRules();
            
            // 记录日志：命中规则数
            if (firedCount > 0) {
                context.logRuleHits(firedCount);
            }
            
            return decision;
        } finally {
            kSession.dispose();
        }
    }
}

配套的Drools规则文件（.drl）中定义了具体逻辑，例如：“如果同一设备ID在1分钟内下单超过5次，且IP属于高危段，则直接拦截”。

机器学习模型的Java集成与评分卡实践

规则引擎擅长处理已知模式，而机器学习模型则能发现未知的异常关联。我们将Python训练的XGBoost模型导出为PMML格式，通过JPMML库在Java环境中加载，实现毫秒级预测。

package juwatech.cn.province.earn.risk.ml;

import juwatech.cn.province.earn.risk.model.FeatureVector;
import juwatech.cn.province.earn.risk.model.ModelScore;
import org.jpmml.evaluator.*;
import org.springframework.core.io.ClassPathResource;
import javax.annotation.PostConstruct;
import java.io.InputStream;
import java.util.HashMap;
import java.util.Map;

public class FraudDetectionModel {

    private ModelEvaluator<?> evaluator;

    @PostConstruct
    public void initModel() throws Exception {
        // 加载预训练的PMML模型文件
        InputStream is = new ClassPathResource("models/fraud_xgboost_v3.pmml").getInputStream();
        InputFactory factory = new InputFactoryImpl();
        InputSource source = new InputSource(is);
        this.evaluator = factory.newModelEvaluator(source);
        this.evaluator.verify();
    }

    /**
     * 计算欺诈概率分数
     * @param features 特征向量
     * @return 模型评分
     */
    public ModelScore predict(FeatureVector features) {
        Map<FieldName, FieldValue> arguments = new HashMap<>();
        
        // 映射特征字段，确保类型匹配
        for (Map.Entry<String, Object> entry : features.toMap().entrySet()) {
            FieldName fieldName = new FieldName(entry.getKey());
            FieldValue value = evaluator.prepare(fieldName, entry.getValue());
            arguments.put(fieldName, value);
        }

        // 执行评估
        Map<FieldName, ?> results = evaluator.evaluate(arguments);
        
        // 获取概率值
        double probability = 0.0;
        if (results.containsKey(new FieldName("probability_fraud"))) {
            probability = (Double) results.get(new FieldName("probability_fraud"));
        }

        return new ModelScore(probability, "XGBoost_v3");
    }
}

在 juwatech.cn.province.earn.risk.service 包下的综合服务类中，我们将规则引擎的结果与模型评分进行加权融合。若规则命中“黑名单”，直接拒绝；若规则通过但模型评分高于0.85，则转入人工审核队列；其余情况自动放行。

特征工程与实时指标计算

高质量的特征是风控的基石。我们利用Redis的HyperLogLog和Bitmap结构，实时统计用户的“日下单频次”、“设备关联账号数”、“夜间活跃占比”等关键指标，并将其封装进 RiskContext。

package juwatech.cn.province.earn.risk.feature;

import juwatech.cn.province.earn.risk.model.RiskContext;
import org.springframework.data.redis.core.RedisTemplate;
import org.springframework.stereotype.Service;
import java.util.concurrent.TimeUnit;

@Service
public class RealTimeFeatureExtractor {

    private final RedisTemplate<String, Object> redisTemplate;

    public RealTimeFeatureExtractor(RedisTemplate<String, Object> redisTemplate) {
        this.redisTemplate = redisTemplate;
    }

    public void enrichContext(RiskContext context) {
        String userId = context.getUserId();
        String deviceKey = "risk:device:" + context.getDeviceId();
        
        // 计算该设备今日关联的不同用户数
        Long userCount = redisTemplate.opsForSet().size(deviceKey);
        context.addFeature("device_user_count", userCount);

        // 计算用户过去1小时下单次数
        String orderKey = "risk:user:orders:" + userId;
        Long recentOrders = redisTemplate.opsForZSet().count(orderKey, System.currentTimeMillis() - 3600000, Double.MAX_VALUE);
        context.addFeature("hourly_order_count", recentOrders);

        // 动态标签：若设备关联用户超过5人，标记为疑似农场
        if (userCount != null && userCount > 5) {
            context.addTag("SUSPECT_FARM_DEVICE");
        }
    }
}

通过这套架构，省赚客APP成功拦截了99.2%的恶意刷单请求，误杀率控制在0.05%以内。规则引擎保证了响应速度，机器学习模型提升了泛化能力，两者相辅相成，构成了智能风控的坚实底座。

本文著作权归 省赚客app 研发团队，转载请注明出处！