引言
如果决策引擎是风控的大脑，那么规则引擎则是大脑内的重要构成，其编排了各种对抗黑产的规则，是多年对抗黑产的专家经验的累计，本文将向你介绍规则引擎的构成及实现。
背景
什么是规则引擎？
规则引擎可以帮助企业将业务决策从应用程序代码中分离出来，并使用预定义的语义模块编写业务规则。这使得企业可以更灵活地管理和修改业务规则，而无需修改应用程序代码。
规则引擎可以接受数据输入，并根据业务规则解释数据，做出业务决策。这些业务决策可以是自动的，也可以是人工干预的。
规则引擎通常包含如下几个部分：
- 规则库：规则库包含了所有可用的规则。这些规则可以是预先定义好的，也可以是动态生成的。
- 策略：用于管理规则，是对规则的条件组装，如评分卡策略、最坏匹配策略等。
- 规则执行引擎：负责规则的执行。读取规则库中所有可用规则，根据规则的条件执行规则。
为什么需要规则引擎？
规则引擎可以帮助企业更有效的管理和执行业务规则，提高决策的质量、效率和可靠性。
特点如下：
- 将业务决策从代码中剥离出来：运营人员可以更灵活有效的管理和修改业务规则，而无需修改业务代码，节省对抗时间
- 提高决策质量：规则引擎按照业务规则自动做出决策，无需依赖人为干预
- 提效：规则配置好后，可永久自动执行，减少人力消耗
- 稳定性：减少发版，减少测试，减少人为错误
设计实现
技术选型
在选择规则引擎时，需要考虑如下几点：
- 业务需求：应该根据企业的业务需求来选择规则引擎。如果企业需要快速执行大量规则，则应选择性能较高的规则引擎。
- 技术平台：选择与企业现有技术平台相兼容的规则引擎。如果企业使用的是 Java 技术平台，则应选择支持 Java 的规则引擎。
- 成本：考虑规则引擎的购买成本、实施成本和运行成本。是否开源也是很多技术团队的选择因素。
- 可维护性：选择易于维护的规则引擎，在需要时能够快速修改和更新规则。
- 市场占有率：选择市场占有率较高的规则引擎，在需要时能够获得较好的技术支持和培训。
- 技术支持：选择提供较好技术支持的规则引擎，以便在使用过程中能够得到及时的帮助。
当然，如果人力足够，可以考虑自己实现规则引擎亦可，自实现版本的规则引擎肯定灵活性更高，但是在性能和稳定性上需要较长时间的验证和考验。
如下是市场上热门的开源规则引擎：
| 规则引擎 | 简介 |
|---|---|
| JBoss Drools | JBoss Drools 是一款开源的规则引擎，支持 Java 和其他语言。 |
| OpenRules | OpenRules 是一款开源的规则引擎，支持 Java 和其他语言。 |
| Hippo Rules Engine | Hippo Rules Engine 是一款开源的规则引擎，支持 Java 和其他语言 |
| Apache Flink | Apache Flink 是一款开源的流处理框架，也可以用作规则引擎 |
| Easy Rules | Easy Rules 是一个基于 Java 的开源规则引擎框架，它提供了简单易用的 API，使得开发人员可以轻松地使用规则引擎。 |
| 基于 Groovy 实现规则引擎 | Groovy 是一种动态语言，可以运行在 Java 平台上。由于 Groovy 的语法简单，因此可以通过使用 Groovy 来实现规则引擎。 |
规则引擎术语
- 规则（Rule）：规则是描述业务决策的规则或条件的语句。规则通常由两部分组成：条件和动作。条件是描述规则被触发的判断，动作是描述规则执行的操作。
- 事实（Fact）：事实是描述业务场景的数据。事实可以是一个单独的数据项，也可以是一组数据。规则引擎会根据事实来触发规则。
- 决策表：决策表是一种以表格形式表示规则的数据结构。决策表通常由多个条件列和一个结果列组成。当条件列的值都满足时，决策表就会触发结果列的规则。
- 规则集合：规则集合是一种由规则组成的数据结构。规则集合通常以树形结构存储，每个规则都有一个条件和一个动作。当条件满足时，规则集合就会执行规则的动作。
规则配置解析
规则引擎最终是需要交付给运营人员去配置使用的，所以必须能满足灵活的配置编排，且易懂，才能最大发挥它的威力。
规则配置
说明：
- 触发条件：任意一个、满足所有、自定义。其中自定义最灵活，用户可以使用条件表达式配置任意想要的触发与或条件
- 变量（指标）：左值，指标是输入数据衍生、或查询、或计算所得的值
- 比较符：等于、不等于、包含、属于、大于、小于、空 等等
- 阈值：右值，与指标计算所得值相比较，如果比较符关系成立，则认为命中当前规则
- 默认值：当指标执行出错或者超时，默认返回的值
策略配置
说明：
- 评分卡模式：依据每条规则命中所得分数之和，判定是否命中相应分数段的决策
- 最坏匹配：只要有一条规则命中，则立即拒绝
- 阈值：如果是评分卡模式，需要设置三个段位并且指定阈值
性能调优
决策引擎每天承载企业业务全部的风险决策，峰值 QPS 基本过万，但是风控的决策耗时需要足够的短，在不影响业务的情况下，尽可能快的返回决策结果，这是一大挑战。
从以往的调优经验来看，可以从以下几点来优化规则引擎：
- 并行执行规则：一次决策流中可能包含 N 个规则节点，每个规则节点包含 M 个规则，充分利用多核 CPU 优势，发挥最大威力，但同时需要考虑多线程数据安全问题
- 预加载指标：规则执行都是在内存中的，但是所需要的指标值往往都是需要调用外部系统得到的，一是网络开销，二是指标计算开销。可以在执行规则集之前，全部预加载一次指标再缓存，这样执行时直接从内存取值就会快很多。但是需要注意成本问题（如付费指标，存储成本，架构复杂度等），废调用问题（前置规则已拒绝）等等
- 规则加载预编译：规则首次加载往往比较耗时，此时最好能
warm up一下，这样在流量进来后，即可立即执行，但是使用预编译可能会增加系统的启动开销时间，需要做好相应的平衡工作 - 规则执行优化：运营配置规则时可能不会考虑规则执行顺序问题，但是程序在执行的时候可以智能编排一下，通过加入
与或及顺序关系，尽可能的把大耗时和大成本的指标放在最后面执行，优先执行内存指标，万一命中则直接断言，后续指标则不会再执行，节省了时间。要做到这一点，需要对指标进行较为详细的归类及元数据管理，需要全域的数据配合，对风控这种需要大数据的接口来说是一大挑战。
总结
规则引擎在风控整体架构内的重要性毋庸置疑，它的稳定性直接关系到风控决策的性能、数据质量。同时，对运营来说，好的决策引擎是足够灵活，足够智能，满足规则数据编排需求，且能立即生效上线，这是保障他们对抗黑产的前提，希望本文对构建高效的规则引擎又较好的启发。
往期精彩
欢迎关注公众号：咕咕鸡技术专栏 个人技术博客：https://jifuwei.github.io/
