风控引擎平台

问：radar 提供哪些功能？
答：radar 目前主要提供一个风控引擎平台，通过规则引擎统一管理风险，并支持可视化配置和修改，最大程度的做到所见即所得。
问：radar 怎么集成其他平台或者数据能力？
答：radar 通过插件机制，集成其他数据能力，目前系统自带手机号码段和IP转换（ip2region）两个数据处理插件，通过插件的形式获取关联数据，后续前端页面会提供插件管理功能，方便大家落地的到具体的应用场景。
问： 作为一款实时的风控引擎，radar 为什么会采用 Springboot + Mongodb + Groovy 的架构设计？
为什么没有采用其它更加优秀的 Storm, Flink ，Drools 等框架？
答：作为一款开源版的风控引擎，在设计之初也经过多次调研，开源的目的是设计成通用风控解决方案，普及风控知识以及解决方法，首要的目的是通用，易用，好用，所以在选择技术方案的时候做了一些取舍，不是说 storm, flink 在实时流式处理方面不好，选择 mongodb 主要是考虑在 数据存储方式，数据时间窗口更具有优势，弱schema、json格式文档存储，自动失效，nosql，shading 更加具有通用性。
而 Drools 是大家都较为熟悉的非常优秀的规则引擎框架，之所以选择Groovy 自定义规则引擎，主要是考虑 Drools 在可视化编辑方面，还不够灵活，前端支持难度大，参考了开源社区其他人做的产品，好多还是手写 drools 脚本，而radar 做到了规则定义全中文支持，看不到变量的定义，配置灵活多变，当然groovy 动态脚本也有缺点，动态编译非常消耗性能，高并发可能导致频繁fullGc的问题。
问：目前radar底层使用mongodb，考虑的是长时间窗口（目前推荐3个月），相对于其它实时流式引擎（flink）来说，只能说是准实时，在处理时间窗口较短的场景（秒级，分钟，小时）有明显的弱势，后续是否需要支持flink，以应对实时性非常高的场景？
答：从目前项目架构来说，特征（abstraction）的提取的实现类是基于mongodb来实现的，理论上来说，只需要在基于flink 再实现一遍即可，后续将列入版本计划，同时支持 mongodb 和flink 通过配置选择使用。
问：规则的解析和执行是在什么时候进行的？
答：目前特征（abstraction）的提取和策略集(activation)的执行 都涉及到规则脚本的执行，规则的解析的逻辑在前端页面，具体可以参考 GroovyScriptUtil.java 和 groovyUtil.jsx (react) 这两个类的使用。
问： radar 的评分怎么做的？
答： radar 采用综合累计积分， 简单的来说： f(r) = （ax +n1）+ (by + n2) + (cz + n3) , f(r)为风险总分， xyz 为 特征，， abc 为权重 , n 为偏移量。

如图，过滤条件 1天内IP交易次数大于 30，假设现在达到31，
这条策略的计分为：20 + 1 31 100% = 51
最后简化成数学表达式：

问： 机器学习支持的方式（PMML）? 参考链接：https://www.cnblogs.com/pinard/p/9220199.html
答：现阶段很多机器学习框架都支持java 直接调用，所以直接集成相应的api 就好。