面试题集锦:风控域与交易平台通识

通识对照:CEX 风控域地图:准入、交易中、清算、出站与合规别揉成一个服务

面试题集锦:风控域与交易平台通识

Hello,我是小兔大白糖。 这篇整理面试口述与高频追问要点,方便对照站内同主题通识文。


目标岗位:大型加密货币交易所 · 后端(风控方向)
题目数:16 题
定位:这是你的核心差异化王牌。别的候选人能答好 Java/Kafka,但风控业务理解能让你直接拉开差距。


Q1:风控系统整体架构

TL;DR

风控 = 事件接入 → 特征补全(enrichment)→ 规则判定 → ML 打分 → 决策融合 → 处置执行 → 反馈闭环。核心 SLA:P99 < 50ms,可用性 99.99%,误杀 < 0.1%。

类比

🛂 机场智能安检:闸机(接入+限流)→ X光机+金属探测(特征采集)→ AI判图+安检员(规则+模型)→ 放行/开箱检查(决策执行)→ 全程录像存档(审计反馈)。

四层架构

interview risk domain qa · 图 1
interview risk domain qa · 图 1 · 点击查看 SVG 原图

同步 vs 异步双通道

同步通道异步通道
场景交易、提现、下单发帖、评论、注册
延迟P99 < 50ms< 5s
决策PASS/REVIEW/BLOCK标记/降权/事后处置
挂了对业务影响交易卡住(需 fail-open)内容暂时没审核(可接受)

记忆锚

"接入→特征→决策→执行→反馈,五步闭环。同步 < 50ms,异步 < 5s"


Q2:规则引擎设计

TL;DR

规则引擎 = DSL 定义规则 → 编译为 AST → 优先级短路执行(高优先级命中即返回)→ 热更新(配置中心推送→原子切换)。风控推荐自研轻量 DSL 方案,Drools 太重。

类比

📋 机场安检清单:一级(黑名单)= 直接扣留。二级(高风险)= 开箱检查。三级(随机抽查)= 概率拦截。规则引擎就是这张动态更新的检查清单——高优先级命中就不再往下查(短路求值)。

规则 DSL(JSON)

{
  "ruleId": "RISK_WITHDRAW_LARGE_NEW_DEVICE",
  "name": "大额提现+新设备",
  "salience": 100,
  "conditions": [
    {"field": "txType", "op": "==", "value": "WITHDRAW"},
    {"field": "amount", "op": ">", "value": 50000},
    {"field": "deviceAge", "op": "<", "value": "24h"},
    {"field": "kycLevel", "op": "!=", "value": "VIP5"}
  ],
  "action": "BLOCK",
  "reason": "大额提现+新设备+非VIP,疑似盗号"
}

热更新机制

运维/风控运营修改规则 → 管理后台 → MySQL 规则版本表
→ Nacos 配置中心推送变更 → 各风控实例收到通知
→ 编译新规则到 AST 缓存 → 原子更新指针
→ 新规则生效(整个过程 < 5s,不停机)

自研 vs Drools

自研轻量 DSLDrools
学习成本低(JSON/表达式)高(DRL 语法)
热更新简单(配置中心)复杂(KieBase 重建)
性能高(预编译 AST)中(Rete 网络开销)
适用风控专用复杂业务规则

记忆锚

"DSL→AST→优先级短路→配置中心热更新→自研优于 Drools"


Q3:实时 vs 离线风控——各识别哪些风险?

TL;DR

实时:交易拦截(盗号/欺诈/洗钱)→ 同步决策 < 50ms。离线:用户画像更新/模型训练/事后审计 → 分钟到小时级。

场景划分

场景时效识别风险处置手段
实时同步< 50ms盗号提现、欺诈转账、价格操纵BLOCK/PASS
实时异步< 5s刷量/撸毛、异常注册、垃圾内容标记/降权
准实时秒~分钟洗钱(分散转入集中转出)、市场操纵冻结账户
离线 T+1小时~天模型训练、团伙发现、新攻击模式更新规则/模型

记忆锚

"实时拦截盗号欺诈,离线发现团伙新攻击,准实时做洗钱检测"


Q4:风控系统的性能与一致性权衡

TL;DR

风控系统天然是可用性 > 一致性。因为风控挂了 → 所有交易阻塞 → 比误杀一个用户更灾难。所以默认** fail-open**(风控挂了放行交易),事后审计补偿。

类比

🏥 急症室分诊:宁可放 10 个轻症进来排队,不能让 1 个重症死在挂号处。风控就是急诊分诊——宁可误放几个可疑交易(事后处理),不能把正常交易全卡住(系统挂了)。

决策矩阵

场景一致性要求性能要求降级策略
交易拦截(同步)高P99 < 50msfail-open + 事后审计
内容审核(异步)中< 5s先发后审
模型打分中< 20msfallback 到规则引擎
特征补全低< 10ms缺特征时用默认值

记忆锚

"风控挂了 = fail-open 放行 + 事后追。挂掉比误杀更灾难"


Q5:开源风控系统推荐 + 业界参考

TL;DR

规则引擎:Drools(重)/ Easy Rules(轻)。实时风控:Flink CEP + Kafka。特征平台:Feast(开源)。模型服务:Triton / ONNX Runtime。自研是交易所主流(因为风控逻辑是核心商业机密)。

推荐研读

1. Drools:理解 Rete 算法,但不一定用它
2. Flink CEP:复杂事件检测的工业标准
3. 蚂蚁集团 RiskGo:公开的架构分享(非开源但架构可参考)
4. Stripe Radar:支付风控的公开设计文档
5. 大型加密货币交易所 SAFU / 大型加密货币交易所风控博客:公开的安全事件分析

面试时怎么说

"我研究过 Drools 的 Rete 算法和 Flink CEP 的复杂事件检测,理解它们的原理。但我认为风控规则引擎最适合自研轻量 DSL——因为规则变化频率高、延迟要求严、而且规则逻辑是核心资产,不应强依赖开源项目。"

记忆锚

"了解 Drools/Flink CEP 原理,但推荐自研——风控规则是核心竞争力"


Q6:如何识别和防范撸毛党/Sybil 攻击?

TL;DR

撸毛党 = 一人控制海量账号薅平台福利。识别靠设备指纹(同设备注册 N 个号)+ IP 关联图谱(同 IP 大量操作)+ 行为模式(操作时间间隔极短/路径完全一致)+ 资金网络(资金最终汇聚到同一地址)。

类比

🎭 一个人办了 100 张假身份证领鸡蛋:设备指纹 = 发现 100 张身份证的照片背景、纸张纹理一模一样。IP = 这 100 个人都在同一个网吧。行为 = 他们都用同样的姿势领鸡蛋。资金 = 鸡蛋最终都卖给了同一个收货人。

识别维度

维度信号检测方法
设备指纹同 device_id 注册 > 3 个号设备指纹 SDK + Redis 计数
IP 关联同 IP 短时间内 > 10 个不同账号操作滑动窗口计数
行为模式操作时间间隔一致、操作路径完全相同CEP 序列匹配
资金归集所有账号的资金最终转入同一地址链上图谱分析
注册信息批量注册(邮箱格式一致、密码模式相同)正则匹配 + 聚类

处置策略

轻(灰名单):限制领券/提现额度,需要额外验证
中(冻结提现):允许交易但不允许提现
重(封号):冻结所有功能,人工申诉

记忆锚

"设备指纹 + IP 图谱 + 行为模式 + 资金归集 = 四维识别,分级处置"


Q7:风控策略设计——防盗刷和诈骗

TL;DR

防诈骗 = 多因子分层防御:设备环境(新设备?)→ 行为特征(异常操作?)→ 交易特征(大额/异常对手方?)→ 人工验证。核心:让正常用户无障碍,让攻击者每步都受阻。

策略分层

第 1 层(静默,正常用户无感):
  → 设备指纹 + IP 信誉 + 常用地址检测
  → 一切正常 → 直接放行

第 2 层(轻度挑战,可疑但不确定):
  → 新设备登录 → 邮箱/短信验证码
  → 异地登录 → 人脸识别

第 3 层(中度拦截,风险较高):
  → 大额提现 + 新设备 + 新地址 → 延迟到账(24h)+ 人工审核
  → 频繁修改安全设置 → 临时冻结 30min

第 4 层(重度阻断,确定风险):
  → 命中黑名单/被盗设备库 → 直接冻结
  → 转账接收方是已知诈骗地址 → 拦截 + 弹窗警告

记忆锚

"静默→挑战→延迟→阻断,四层递进,正常用户无感,攻击者层层受阻"


Q8:风控 API 高并发优化

TL;DR

优化 = 本地缓存(规则/特征 90% 命中)→ 预编译规则 AST(免解析)→ 异步补全(非关键特征异步查)→ 连接池复用(gRPC/HTTP 长连接)→ 批量合并(同一用户的多个检查合并成一次)。

优化金字塔

interview risk domain qa · 图 2
interview risk domain qa · 图 2 · 点击查看 SVG 原图

记忆锚

"本地缓存 + 预编译 + 异步 + 长连接 + 批量 = 从 50ms 优化到 5ms"


Q9:风控系统重构——架构与技术选型

TL;DR

重构 = 绞杀者模式(strangler fig)渐进替换,非推倒重来。三阶段:标准化接口(新老系统并行)→ 灰度切流(1%→10%→50%→100%)→ 老系统下线。

类比

🏗️ 外滩隧道改造:不能封路,在旁边挖新隧道 → 逐步切换车流 → 老隧道废弃。新旧交替期间双写双读,对比结果,差异率 < 0.01% 才全量切。

技术选型

组件老系统新选型原因
规则引擎Spring 代码硬编码轻量 DSL + AST 预编译热更新更快
特征存储MySQL 实时查Redis + 本地缓存延迟 20ms→2ms
模型服务Python FlaskTriton/ONNX Runtime推理加速 + 多模型管理
消息队列无,同步 RPCKafka 异步通道解耦 + 削峰
配置中心无,重启生效Nacos 热更新规则秒级生效

记忆锚

"不推倒重来,绞杀者渐进替。先标准化→灰度切→下线老系统"


Q10:风控超时/报错 → 如何避免影响交易?

TL;DR

Fail-open 策略:风控挂了 → 放行交易。核心 = 熔断器(连续失败 → 跳过风控)→ 超时降级(>50ms → 返回 PASS)→ 事后审计补偿(异步重跑风控逻辑)。

本题与 B1 Q25 重叠,详见该题。此处补充交易所风险视角:

"加密货币交易所的特殊之处在于:
  - 区块链交易不可逆 → 拦截太严 = 用户流失
  - 但盗号损失不可追回 → 拦截太松 = 资金风险

所以我们采用分级 fail-open:
  - 提现 > 100 万 → 风控挂了也不放行(fail-closed)
  - 提现 < 1 万  → 风控挂了放行(fail-open)+ 事后人工审核
  - 交易下单   → 风控挂了放行(fail-open)→ 因为错过行情比风控漏检更严重

记忆锚

"提现分级 fail-open(小额放/大额不放),交易一律放行 + 事后追"


Q11:ML 模型 vs 规则引擎——谁干什么?

TL;DR

规则引擎 = 确定性逻辑(黑名单/频控/KYC 等级),误杀率低但漏放率高。ML 模型 = 概率性判断(异常行为打分),漏放率低但误杀率高。两者互补:规则兜底,模型提准。

类比

🏥 医生诊断:规则 = 检查清单(体温 > 38.5 = 发热),覆盖面窄但准确。ML = AI 辅助诊断(综合分析几十个指标给概率),覆盖面广但需要医生最终判断。

互补策略

interview risk domain qa · 图 3
interview risk domain qa · 图 3 · 点击查看 SVG 原图

风控团队的工作流

1. 策略分析师写规则(覆盖已知攻击模式)
2. ML 工程师训练模型(发现未知攻击模式)
3. 模型发现的异常 → 分析师验证 → 沉淀为新规则
4. 新规则 → 模型下次不用再学 → 规则越来越全
5. 形成"规则→模型→规则"的闭环

记忆锚

"规则做已知(快+准),模型做未知(全+活),规则兜底模型提准"


Q12:高并发注册/登录防刷

TL;DR

防刷注册 = 验证码(滑块/图形)→ 设备指纹限频(同设备 1 小时最多 3 个号)→ IP 限频(同 IP 1 小时最多 10 个)→ 手机号验证(一机一号)。层层加码,正常用户只需过滑块,刷子全卡。

防御层次

正常用户(静默通过):
  → 滑块验证码(1 秒划完)
  → 正常注册

可疑用户(轻度拦截):
  → 滑块 → 同设备今天第 4 个号 → 需要短信验证
  → 同 IP 今天第 11 个号 → 需要实名认证

确认刷子(重度拦截):
  → 滑块 → 同设备今天第 10 个号 → 直接拒绝
  → 返回:"操作频繁,请 24 小时后重试"

记忆锚

"滑块→设备限频→IP 限频→手机号验证,正常用户过一层,刷子过四层"


Q13:实时和离线各识别哪些风险操作?

本题与 Q3 互补。Q3 讲时效划分,Q13 讲具体的风险操作清单。

实时识别

风险类型具体操作检测手段
盗号改密码→改绑定手机→提现安全设置变更后 24h 禁止提现
欺诈转账大额转给新地址对手方黑名单 + 金额阈值
市场操纵自成交/wash trading买卖方 IP/设备相同
洗钱分散转入集中转出1h 窗口内对手方数量 + 金额
API 滥用单 API Key 超高 QPS令牌桶限流

离线识别

风险类型具体操作检测手段
团伙发现多个账号共享设备/IP图数据库(Neo4j)关联分析
新型攻击未见过的攻击模式ML 异常检测
KYC 欺诈同一人脸照片注册多个号人脸聚类
长期潜伏注册 3 个月后才开始攻击行为时间序列分析

记忆锚

"实时:盗号/欺诈/操纵/洗钱/滥用。离线:团伙/新攻击/KYC 欺诈/潜伏"


Q14:大型加密货币交易所 Risk 的业务位置和日常工作

TL;DR(面试口述版)

"从一面我了解到,大型加密货币交易所 Risk 部门在组织架构上是一个中间件平台,
对接交易、支付、提现、内容等所有业务线,提供统一的风控能力。

业务位置:横向支撑所有需要风险决策的场景。
工作模式:提供 SDK/API 给业务方接入 → 同步(交易风控)+ 异步(内容审核)。

日常我理解包含几个方面:
1. 策略开发:分析新型攻击 → 设计规则 → 上线验证
2. 模型迭代:训练 ML 模型 → A/B Test → 替换旧模型
3. 引擎优化:降低延迟 → 提升可用性 → 减少误杀
4. 案件处理:人工审核高风险案例 → 提炼规则
5. 跨团队协作:与交易/钱包/合规团队对接需求和接口"

记忆锚

"横切面中间件平台,同步交易异步内容,策略+模型+引擎+案件四线并行"


Q15:ES 实现海量行情日志快速检索

与 B1 Q34 重叠。此处补充风控视角:

风控对 ES 的使用不同于行情:
  → 风控审计日志:谁在什么时间被拦截/放行,理由是什么
  → ES 索引:risk-audit-2025-08-19(按天切)
  → 常见查询:
    1. "用户 123 最近 7 天被拦截了几次?" → Term Query
    2. "某个规则最近 1 小时的命中率?" → Date Histogram Agg
    3. "有哪个用户 1 分钟内被拦截 5 次以上?" → Pipeline Agg

Q16:AI 在可观测性/风控中的应用

TL;DR

AI 在风控的三大落地场景:异常检测(自动发现新攻击模式)→ 根因分析(告警风暴时自动关联根因)→ 智能规则推荐(LLM 从历史案例中提炼新规则)。现状:辅助人工,未来:逐步自动化。

现状与趋势

现状(2025):
  - ML 模型已在生产运行(风控评分)
  - LLM 辅助编写规则(从自然语言描述 → JSON DSL)
  - 异常检测辅助告警降噪(减少 90% 误报告警)

近期(1-2 年):
  - LLM Agent 自主调查可疑案例(调取链上数据、关联 IP)
  - AutoML 自动训练和上线新模型

远期(3-5 年):
  - AI 自主制定风控策略(人类审核,AI 执行)

记忆锚

"现在 LLM 写规则,近期 Agent 查案件,远期 AI 定策略——渐进式替代"


总结:风控面试的四个维度

1. 架构能力:四层架构 + 同步异步双通道 + 分层降级
2. 规则能力:DSL + 优先级短路 + 热更新 + 自研优于 Drools
3. 模型能力:规则兜底 + ML 提准 + 闭环迭代
4. 业务理解:撸毛/盗号/洗钱/操纵 + 分级处置 + fail-open

P0 全部完成! 下一篇:B9 架构设计 + 云迁移 + Docker/K8s