大数据时代，数据与金融的碰撞越来越激烈；实时计算、流计算、分布式系统等新兴技术在金融科技领域方兴未艾。

今天我们就带领大家了解一下，当实时计算应用到反欺诈系统，会擦出什么样的火花。通过本篇文章，你将会学习到：

• 什么是反欺诈系统？

• 什么是Flink？

• 为什么选择Flink？

在大数据时代，金融科技公司通常借助消费数据来综合评估用户的信用和还款能力，这也带来大量的金融欺诈行为。

常见的金融欺诈场景有三类：

• 一是材料伪造。这是早年需要提交纸质材料时期常见的欺诈；

• 二是“养号”，常见于中介机构，通过收取服务费来维护大量号的健康状态，卖给有欺诈意向的用户进行贷款申请；

• 三是来自于专业黑客的威胁，他们通过寻找系统、流程的漏洞等方式，对账号安全构成攻击。

下图为银行系统反欺诈系统的示意图：

如上图所示，金融科技因其虚拟性特征，主要风险集中在两方面：一是欺诈风险，二是信用风险。

因此核心的风险评估流程就是反欺诈和信用评估。

对于反欺诈而言，信息核实、高危人群拦截和实时计算、识别、决策是其核心风控手段。而对于信用风险的评估，需要内外兼修。

Flink是由Apache软件基金会开发的开源流处理框架，其核心是用Java和Scala编写的分布式流数据流引擎。

Flink以数据并行和流水线方式执行任意流数据程序，Flink的流水线运行时系统可以执行批处理和流处理程序。

由于Flink具有良好的实时性，所以Flink技术在大数据领域得到了极快的发展与应用。

下图为Flink的技术栈与基础架构：

从现如今的大数据计算趋势来看，批处理和流处理是主流都非常重视的，也是实际大数据应用场景当中的持续性需求。

所以，我们从上图可以看出，Flink框架本质上来说是流引擎，但是在实际工作当中，实现了流处理和批处理的统一。

Flink将批处理看作是一种特殊的流处理，也就是有边界的数据流，基于这样的思想，Flink能够实现业内延迟性较低的流数据+批数据计算。

目前，在线实时反欺诈会面临各类痛点，主要痛点集中在以下三方面：

一是低延时要求。越是大量数据需要计算，所需时间越长。在网贷盛行的年代，甚至有的公司打出“一分钟授信，半分钟放款”的口号。

二是超大规模实时计算要求。大数据场景中，需要对大规模数据做到实时计算，实时平台中用户的行为改变会导致数据发生变化，进而影响决策。因此对超大规模数据的实时计算需求越来越高，确保用户在出现欺诈行为时能够及时中止交易。

三是多维度、高并发要求。随着同一业务场景下用户规模的扩增，用户产生的数据也形成爆发性增长。在金融场景下需要按照数据各个维度分析得出风险评估报告，根据用户特性挖掘用户潜在需求。

从时延和吞吐量的角度：Flink 是纯粹的流式设计。流式大数据技术的计算是逻辑先行，即先定义计算逻辑，当数据流过时，实时计算并保留计算结果；当需要使用数据时，直接调用计算结果即可，无需再次计算。

与别的计算技术相比较；Flink 吞吐量约为 Storm 的 3~5 倍，且Flink 在满吞吐时的延迟约为 Storm 的一半。综合来看，Flink 框架本身性能优于 Storm。

从与现有生态体系结合的角度：Flink 与超大型计算和存储（HBase）的结合比 Spark 和 Storm 要好很多，同时接口也更友好，更加方便用户的使用。

下图为Flink处理数据流的示意图：

总的来说，Flink 是一个设计良好的框架。它不但功能强大，而且性能出色。

此外它还有一些比较好的设计，比如良好的内存管理和流控。这些都有助于Flink技术在反欺诈系统中发挥作用。

基于 Flink 的超大规模在线实时反欺诈系统的架构主要分为两大部分：数据部分和决策部分。

整个系统的运作相当于一个工作流，用户的数据信息以流的形式由一个节点传到下一个节点，在流转过程中会产生大量的决策信息，根据条件做出筛选和判断，并把判断结果快速推行到下一个节点，从而实时判断用户的数据情况，进而决定是否放款给用户。

下图为系统架构示意图：

在大数据时代，数据的质量直接影响大数据分析处理方法的效果，也影响决策过程。

通过分析海量数据，可以从中发现数据集中隐含的模式和规律。所以，通过大规模实时反欺诈系统的建立，可以有效降低金融机构的资金风险。

本期的内容就到这里，希望大家有所收获！欢迎大家添加微信：fintech78，加入FinTech社区一起讨论！