大厂案例篇 | 携程风控数据仓库实践

DLab数据实验室 2020-10-29

2220

作者简介

K.Y.Xing，携程高级开发经理，对高并发数据处理，流式数据处理，风控大数据处理，用户行为分析有浓厚兴趣。

一、引言

携程风控包括了酒店，机票，度假，火车票等所有携程产线的支付风控，同时也包括每个产线的业务风控。自2018年开始，携程风控归属于携程金融，进而也包括也携程金融的信用风控。总而言之，在携程，只要与钱相关的交易都离不开风控。

携程的业务线多，各业务的差异非常大。携程也是以BU制为单位的，各BU都建有自己的小数仓，使得各业务线的数据变化多样。为了能够满足风控的需要，如何搭建一个可以同时适用于反欺诈风控，业务风控和金融信用风控的数据仓库，是风控近两年需要解决的最重要的问题。

风控是一个横向部门，依赖于各个BU的数据，而OTA行业的特点又决定了数据很难统一。风控数据仓库需要解决的难点问题如下：

1）标准化各业务线的数据，为风控规则策略人员，数据分析人员，模型人员提供稳定准确可靠的中间层数据。

2）保证数据完备性，同时与各BU业务保证同步，为各个使用数据的团队做好数据质量监控。

3）提供高效稳定宜用的工具，使得各个用数团队可以快速高效操作海量订单，设备，用户行为各种数据。

4）在整个数仓基础上支持数据的回放以及各类特征的回溯。为规则策略人员以及模型人员提供基础保证。

本文将介绍携程风控是如何解决以上重要问题的实践和思考，与大家一起探讨互联风控数据仓库的发展，希望对大家有所帮助。

二、实践篇

传统数仓建设主要目的是为了提供业务决策分析使用，我们称之为BI。但风控数仓建设的主要目的是为了实现风险识别，包括支付欺诈识别，业务风险识别，个人信用风控识别。在数仓建设中包括 ODS层建设，DW层建设，DM层建设。数据治理，质量监控。

整体上，风控的数仓包括了下图中的内容。从业务系统的源数据，到数仓，最后到应用。

图2-1 风控数仓的物理结构

风控数仓的分层结构如下图，以简单直接，易于维护，同时方便回溯为目标。由于互联网行业的业务迭代速度非常快，这就要求数仓也需要适应这种快速迭代的要求，所以我们以简单化层次，并最大化复用为标准。设计如下的层次结构：

图2-2 风控数仓的分层

2.1 如何搭建ODS层

由于各业务线已经全面接入风控系统，数据量非常大，所以风控的ODS数据并不完全是从DB中抽取，只有少量人工审核相关的数据是通过ETL进入数据仓库的，大量的数据是通过流的方式“流进”数仓的。而风控依赖各个BU业务的数据则是在业务ODS同步完成之后，风控基于业务的ODS进行更进一步的加工处理为风控标准数据。

在ODS层，除了同步风控所有的数据以外，还做了标准的脱敏操作。不管是金融数据，还是订单数据，或者是支付数据，都涉及了大量的用户敏感信息。所以在数据进入数仓之前，我们使用了公司统一的神盾服务进行脱敏处理。

携程风控目前所有业务接入了800+个接入点的数据，相当于传DB的800+张不同的业务数据表。经过统一的ETL工具，每天零点到1：30这一个半小时完成ODS层的同步处理建设。

图2-3 风控数仓的丰富来源

2.2 如何标准化各业务线，建设DW层

携程的数据产线非常多，几乎涵盖了整个OTA行业所有的业务。

图2-4 风控数据产线

目前风控数仓以主题划分：

图2-5 风控数据的主题划分

通过各数据域和主题，让千变万化的业务线数据变得标准易用，同时易于维护。

2.3 如何建设DM层

风控DM层的建设有一个很重要的原则是，要能够回溯所有的DM层特征数据。这跟传统数仓有很大区别，传统数仓只要求口径统一，指标逻辑明确即可。但是风控的任何一笔交易的决策都是由规则，策略，模型决定的。在新建，修改，迭代，下线规则策略的时候，需要历史数据回放验证变更的有效性，为变更提供数据基础。模型的增加，迭代同时需要DM层特征的回溯验证模型的变更有对识别目标真实有效的变更。

DM层的建设是基于DW层的。DW层屏蔽了业务的变化，通过数据模型的设计让DW层变得非常通用。为了支持回溯，每一个DM层的数据产出都对应了一个DWS明细数据。简单来说，DWS表就是根据产出需要，把需要的DW层的表的列汇综起来，成为一张根据产出需要的“小宽表”。数据的回溯，检验，监控，以及质量保证都是基于这张”小宽表”进行的。

图2-6 风控DM层分类

三、工具篇

3.1 PSI

在风控的数仓中，DM层包括了大量的特征。对于各类特征的监控，离不开PSI的计算。以往，PSI的计算是针对一个特征进行计算。但是不管风控规则还是各种不同的模型，一般不会只使用一个特征，尤其模型中，往往一个模型会使用上百个特征，甚至几百个特征。这就会导致大量特征的PSI计算，效率很低，执行时间很长。而且配置起来非常麻烦，往往需要使用python等模型开发先把每个特征的分bin预先计算好，每个bin的边界值预算算出来，异常值预先定义出来。这些工作需要针对每一个特征进行，在一个新的模型中，需要上百个特征的时候，这些工作十分麻烦低效。

为此，风控数仓开发了个基于hive/spark的psi计算工具。实现了各类特征的常用psi计算方式，一次同时可以计算N个特征，配置起来极其简单，计算效率也有一个质的提升，最大程度地简化特征psi的计算复杂度。

常用的PSI计算需要实现等频、等距、枚举、自定义等分bin/分箱方式。如图：

图3-1 psi计算方式

其中等距，枚举，和自定义分bin方式的psi计算，在MR中是比较容易实现的，而且计算效率也非常好。等距只需要计算出最大值和最小值，然后根据配置分bin数据可以计算出每一个bin的分界。定义分bin和枚举同样道理，在配置中就可以得到分界。但是等频是需要先排序的，排完序后才可以得到每个bin分界。所以，等频的PSI计算采用了TeraSort的思想。

简单描述一下TeraSort的思想：

一组无序的数

对无序数据均匀采样并排序，反应原始数据分布；

将无序数据按采样数据分割，得到分割点，并使用随机数解决数据倾斜；

利用MR的partition，将各采样区间内的数据放到对应的partition中，这样就可以利用MR中的排序能力，把不同的partition分配到不同的reducer中。由于partition之间是有序的，partition内部利用MR也是有序的，所以整体上就是有序的。这种方式使得全局单点排序变成了分布式并行排序，极大提高了排序的速度。

在每个reducer中确定每个bin的边界。

批量PSI等频计算方式的核心思想是MR+TeraSort。

图3-2 psi计算流程

结果

组件现已应用在风控数仓PSI 计算中
运行简单，最少只需2个参数、1个配置文件即可运行
配置方式多样，提供全局模式、one-stage模式、排除模式、结果文件配置等配置方式
计算速度快

表3-3 psi计算性能

3.2 OrJoin

在风控，有很多场景需要使用到图，如：干系人，欺诈团伙识别。金融场景中有一个原则就是物以类聚，人以群分，判断一个人的信用风险，对这个人社交关系认识也会使用到图。OrJoin是携程风控用来对图关系计算的一个基础工具。

算法描述：给定N个Key（注册手机，联系人手机，绑定手机，设备id，邮箱，支付id…）

任意两条记录，如果有其中任意一个key相同，则这两条记录属于同一个Set。

任意两个Set中的记录，有任意一个Key相同，则这两个Set合并为一个Set。

以上步骤直到没有两个Set可以合并，即收敛。

图3-4 OrJoin图

OrJoin的原理是基于最大图联通分量的分布式图[1]的收敛计算，由于风控的分析人员是以SQL为基础的，所以我们在OrJoin和回溯工具【后面介绍】中都实现SQL的接口，让大家以SQL的方式来使用。

Select* from A ORJOIN B on A.uid=B.uid OR A.clientIP=B.clientIP

其中，

a node in graph = a record in table
a edge in graph = 2 records with same column value

图3-5 OrJoin结果图

OrJoin工具的作用就是用来生成最大图联通分量的一个唯一子图ID，这样分析人员可以根据这个ID进行相关的统计，因为这个ID的生成是最复杂而且计算量是非常大的。正常使用Hive SQL是没有办法完成的。

3.3 回溯工具

风控需要回溯的地方非常多，所以离线数据回溯/回放在风控是一个必须要解决的问题。在设计数据仓库之初我们就考虑到这一个问题，所以在ODS层，DW层以及DWS和DM的数据设计都遵循了一定的规范，这样配合离线数库的回溯工具，可以让风控的数据使用人员可以轻松做到回溯。

风控的场景用到回溯的方式目前分为以下四大类：Streaming(流式)/Normal(通用)／Fast（快速）/时序Join。

回溯的主要目的是让时间回到历史的某个时点的时候，在当时看，所有的特征应该是多少。

类型	场景	描述
Streaming	风控流式场景	风控引擎中实时计算所有的流量式数据，基础风控的流式数据，只要求回溯数据有一个时间字段和一个唯一ID字段。
Normal	信用类风控采样回溯	信用风控中，像评分卡之类的模型，在训练的时候，需要根据目标定义一个Sample，然后根据Sample的要求进行回溯。Normal方式是基础DWS基础明细数据进行回溯的。
Fast	信用类风控采样回溯	Fast是DWS基础明细基础上先按照每天增量进行统计，然后基础每天的汇总表进行回溯，这种方式速度比Normal快很多，但是部分特征跟Normal的是有差异的。比如30天内的平均金额avg，Normal=总金额/总笔数，Fast=每天的平均和/30，这两个值都有数学意义，但是不同。这种不能做Distinct操作。
Sequence Join	使用第三方数据时对第三方数据的回溯	风控有大量的外部数据调用，这些调用都是付费的，为了最大化利用这些数据，回到历史的某个时间点的时候，假设当时如果调用某个第三方数据，应该得到什么样的结果。

表3-6 回溯工具介绍

我们以Streaming方式举个例子：

图3-7 Streaming自研回溯方式

如果使用HiveSQL实现，那每一个特征需要使用这种自关联的方式进行join，由于数据量很大的时候，这种执行慢到不可以接受。

图3-8 Streaming的hql实现方式

这是一种自定义的SQL，SQL的语法与HiveSQL非常相似，这样使用人学习成本非常低。

原理：

回溯工具在风控内部又叫离线数据回放引擎，在回放引擎中，模拟了生产环境中的一个“流”，这个流是以严格时序的，所谓严格时序，是指不考虑分布式环境，严格以时间字段先后顺序为准。这个流窗口保持了所有的统计数据的最大窗口。每个窗口上可以挂N多个聚合类统计Agg（也就是业务所需要的特征）。

图3-9 Streaming回溯的时间窗口

图3-10 Streaming回溯滑动窗口

在数据量非常大的时候（风控中的场景往往数据量很大），这种滑动窗口依然会存在执行慢，甚至OOM。于是我们做了以下优化：

图3-11 Streaming回溯的优化

下图是离线回溯工具的MR执行过程：

图3-11 Streaming回溯的MR流程

目前在风控内部测试下来：

数据集：2,2825,9934，聚合变量：624 Count(distinct)，相当于624个特征计算；

SQL执行时间：180minutes à 40minutes。

3.4 丰富的UDF、UDTF、UDAF

为了满足模型，规则，策略和数据分析人员的需要，风控内部有大量的UDF、UDTF、UDAF。这些自定义的函数让很多计算变得很简单，易用。

图4-1 自研UDF

3.5 MaxX变量服务

风控规则，模型，策略以及分析人员每天大量使用离线数据进行分析。在模型，规则上线的时候需要使用到大量的离线清洗出来的数据。这些离线数据需要跟风控引擎实时计算结合起来，做到批流统一，就需要一条通道把这些离线数据能够推送到风控引擎的缓存中。

图5-1 MaxX总流程

MaxX最重要的功能就是把离线数据推送到线上，同时要保证数据推送是万无一失的。因为离线的推送是分布式的，推送速度很快速，但不能影响线上查询，所以变速器的设计很重要。

公式5-2 MaxX限流

目前MaxX变量已经推送3000+个变量。

四、未来规划

风控数仓建设的终极目标是让数据产生价值，让数据更容易产生价值，让数据更高效地产生价值。对于DW层和DM层的持续建设是我们的重要工作。不久的将来，以下工作也会被陆续实现：

1）Tag管理；

2）组件化模型执行，数据分析；

3）可视化数据分析；

五、总结

风控数仓是在传统数仓的建设基础上，考虑了更多的风控和模型应用场景，即数据回溯。在数仓建设过程中，也更注重于技术上的建设。风控拥有关庞大的模型团队，数据分析团队，规则策略团队以及报表团队，这就对数仓的产出有了更高的要求。除了正常的业务报表以外，还要有一个稳定可靠的DW层数据，满足这些用数人员的千变万化的需求。同时，针对风控模型和规则策略的特殊需要，有一个比较完整的DM层，还要支持数据回放和回溯。

在风控数仓的Roadmap中，Tag管理和可视化数据分析会将数据提高到一个新的高度，也让数据仓真正达到我们的目标：让数据产生价值，让数据更容易产生价值，让数据更高效产生价值。

参考文献

[1]【https://dl.acm.org/doi/pdf/10.1145/2670979.2670997】Kiveris R, Lattanzi S, Mirrokni V, et al. Connected components inmapreduce and beyond[C]//Proceedings of the ACM Symposium on Cloud Computing.ACM, 2014: 1-13.