运营风险监控平台：搭建运营大数据应用体系

大数据系列技术的分享，继中台DC和影像管理平台之后，今天由万德鹏、杜艳锋带来运营风险监控平台的技术介绍。

****万德鹏、杜艳锋，均于2013年入我行，分别曾参与BPM、集中提回平台， xbank2.0、集中IT平台的开发建设工作，目前两人负责运营管理、作业流程总控平台及板块大数据应用*****

银行本身就是经营风险的企业，风险监控和管理是信息系统建设非常重要的部分。提到运营风险监控平台的大数据应用思路，万德鹏总结说：“我们一直要寻找技术和业务的结合点，现在满眼都是大数据技术，而风险领域又非常适合使用数据挖掘、机器计算等先进技术，那我们就想，何不利用它对业务进行一次有规模的变革，于是就开始了一次‘郎情妾意’的创新结合”。对于该平台的技术创新点，万德鹏、杜艳锋为我们总结了如下两个方面。

一、全面利用分布式架构和大数据技术，提供高效多样的计算能力，支持运营风险监控模型化体系升级

运营风险监控平台依托我行分布式基础集群，利用大数据技术，建设了批处理、流处理计算模块，同时与大数据团队充分合作，开始了机器学习模型的探索之旅。其中：

批处理模块：分布式计算，采用inceptor sql为计算语言，围绕其打造了完善的发布体系、参数体系，同时建设ETL模块和调度模块，使其具备承载大量模型计算及传输的能力。

流处理模块：万德鹏指出反应时间是风险防控的重要指标，越小效果越好，今年很重要的工作就是实现了实时风险监控，以spark streaming+kafka+redis为核心流处理技术，搭建了实时模型计算模块，同时在部领导的规划和技术管理中心、大数据团队的支持下，首次在我部标准实时处理体系中进行了业务交付，目前已经相继引入了柜面、手机银行、网银、金卡等6个系统的实时交易数据。

机器学习：机器学习模型并没有自建计算模块，而是充分利用大数据架构开发中心建设的机器学习平台，经过深入探讨，实现了境外违规取现的智能模型，取得了业务人员很大的认可。

万德鹏说到：“同时，所有的创新都应专注交付，风险监控平台的计算体系,在客户信息及账户管理、内部账户及资金交易、客户账户交易、员工操作行为、资产业务、实物保管六大类业务下，涉及三十余多系统的数据，今年相继交付了113个模型”，分别为：

4个准实时风险模型，个人账户异常小额批量转账、柜员大量查询客户信息、柜员分拆存款逃避授权交易、柜员自行办理本人账户等监控模型，盗刷模型也进入了线上验证。

108个批处理T+1模型，如个人大额外币现钞存取款交易、非法买卖银行卡境外洗钱套现、柜员逃避监管私自用印、盗用客户资金交易等。

1个机器学习模型，境外违规取现。

二、搭建了从对接到应用的完整数据应用闭环体系

运营风险监控平台搭建了两个体系，一是上面介绍的大数据计算体系，该体系以分布式计算为架构基础，融合大数据批处理、流计算、机器学习等相关技术，具备高效、多样数据计算交付能力；二是运营风险作业流程体系，该体系以流程引擎为驱动，实现了高度配置化，并持续优化用户体验。

这样的体系架构分为三个层面:

一是数据层，对接各种数据，如DC的离线数据，通过OpenAPI采集的渠道实时数据等，进行加工、处理。

二是计算层，针对第一层的数据进行建模和计算，包括批处理计算、流处理计算，分别支持T+1、实时的风险监控与预警。

三是风险作业平台，完成了数据计算到数据应用的闭环，该平台以流程化为核心，作为前台提供给业务人员使用，提供风险标签、模型参数，核查任务等配置能力；交易流水、渠道流水、客户信息、各类名单、运营影像等超百T数据秒级查询，并根据风险监测结果，对接相关业务系统提供对公对账、锁名单、系统权限控制等联机处置，

对于该平台的使用效果，杜艳锋告诉我们，自上线以来，每天处理数据达10亿级，核查出风险事件（18303）条，锁定账户（5391）个，不论从监管层面还是降低账户管理成本方面均取得了极佳的效果，相关业务人员也反馈：“运营风险监控平台现已成为我们进行风险管控最为重要的平台，我们每天都在使用它。”

好了，今天的技术分享就是这些了，下期将为大家分享“自主开发的内存数据库”，敬请期待。