行业挑战
近年来，随着互联网金融行业的飞速发展，传统金融机构（如交易所、证券公司、银行等）的各类业务与互联网的结合也越来越紧密，如：各大金融机构纷纷推出手机 APP 客户端，支持用户自主办理移动支付、理财、网络借贷、购买金融产品等各类金融业务。新的业务方式对金融行业也提出了新的要求：
- 长链路且快速变化的业务：从业务需求出发，需要分析用户的行为轨迹和交易记录，以应对业务的快速变化。
- 越来越多的实时数据需求：目前需要更多的实时数据来支持业务决策。比如需要依据流量监控、销售情况等，对不同的资源位做出相应调整；同时部分活动也需要实时数据来增强与用户的互动，尤其在金融产品营销活动中需要实时针对用户行为调整策略。
- 越来越高的数据质量要求：数据的结果会直接影响业务决策和线上运营活动的效果，数据质量也决定了计算结果是否可以作为判断的依据。
- 越来越多的实时风控需求：传统风控系统需要完成从依赖专家规则到智能风控的实时化转变，如信用违约、账户安全、贷款欺诈等典型场景：
- 欺诈检测：在办理业务过程中，对用户账号、交易行为等进行实时监控与识别。快速识别异常交易，减少造成用户财产损失的可能。
- 信用评估：在贷款等银行业务审核过程中，快速识别虚假资料、信息伪冒等恶意欺诈行为，并进行高危人群鉴别，整体信用风险评估等，缩短业务审核流程。
解决方案
基于实时计算 Flink 版的解决方案可帮助金融机构从容应对上述挑战，通过 Flink 构建实时数仓、实时反欺诈系统，助力金融机构快速构建实时风控体系。整个数仓体系架构如下：
实时数仓的数据处理过程涉及到以下几个关键环节：
- 数据产生：一般场景下，数据有两个来源：
- 用户行为日志：用户在 App 上的操作会产生一系列日志，包括点击、跳转、浏览、停留时长、机型、IP等信息。
- 数据库中相关信息：用户下单等业务类行为会被记录到数据库中。
- 数据采集：日志和数据库的内容，需要上报到消息队列中，使整条数据链路“流动”起来。比如日志中的数据，可通过日志采集等工具被实时上报到消息队列中。而数据库的数据(Binlog)，可通过阿里云数据集成、DTS 产品或者其他开源组件被实时采集到消息队列中。
- 数据加工：消息队列（比如 DataHub/Kafka）的原始数据，往往在格式不齐、内容不全，需要经过数据清洗（ETL）之后，才能更好的被下游业务利用。而整个 ETL 过程，是实时数仓架构设计上非常重要的一环。该环节要做到延时小、成本低、可扩展性好、业务指标计算准确。
在系统选型上，需要选择 Flink 对数据进行处理，Flink 具有强大的数据处理能力，低延时、高吞吐，从而保证业务产出。同时阿里云上也推出了实时计算 Flink 版产品，为用户提供一站式高可用的 Flink 服务。
在数据架构设计上，也可以依据数仓的基本方法论来构建 ODS/DWD/ADS 层，从而减少数据冗余，降低数据存储成本，并且使数据结构具备更好的可扩展性。
- 数据分析：经过 Flink(ETL)处理好的部分数据可以直接被业务方使用，如 App 当日激活/PV/UV 等实时指标。另一部分数据需要经过多维分析才能被业务方使用，这就需要用到 OLAP 系统（如阿里云交互式分析），将数据写入 OLAP 系统后，通过与历史数据的合并查询，即可得到相关数据。
- 数据挖掘：从历史中预测未来一直是人类的梦想，对公司来说，能对未来趋势作出正确的判断才能基业长青。机器学习就是通过历史数据对未来进行预测的一种手段，可以使数据发挥最大的价值。
- 业务系统：经过处理的数据，可直接服务于相关业务方，如运营、决策者、相关应用等，如运营人员可通过实时报表中的数据及时调整运营策略，提高活动转化率；利用实时风控系统，实时预警风险事件，可避免业务损失等。
基于 Flink 的实时数仓架构：
Flink 主要用于实时数仓 ETL 及 BI 部分的指标计算，与各种上下游打通。
成功案例
众安保险
众安保险基于阿里云实时计算 Flink 版产品构建了实时数仓，其应用场景分为三类: 营销活动、实时大屏及反欺诈。
- 在营销活动中主要应用于营销活动流量和交易。通过实时计算可以动态观察用户进入活动各个入口的流量情况，以及活动的 PV/UV、交易量等。通过动态观测的用户行为，可制定更精准的营销策略，提高转化。
- 实时大屏主要应用于实时 KPI 指标监控，如当日保费、当日投保量、当日总体和分平台 PV/UV 等。
- 反欺诈主要应用于积分奖励等现金类的权益监控；针对某个入口是否为用户真实行为的实时监控判断、经纬度判断等。
随着业务快速变化发展，对实时计算的要求也越来越高，需要平台提供低延时、低资源消耗、高效率、高精准度等能力。在满足业务最基本需求的同时，我们也在充分利用实时计算 Flink 版平台的特性，丰富输入输出接口，保证数据质量。在未来的一段时期里， Flink 的 ML 和 Scala 版本也将会在 SQL 版本之上让实时计算在反欺诈方面和复杂的业务领域绽放精彩。
深交所
深圳证券交易所新一代监察系统围绕异常交易行为监管、违法违规线索筛查等核心业务，全面支持交易监控、调查分析、业务研究的一体化监管工作，遵循“安全高效、持续演进、主流开放、自主可控”的设计原则，打造了安全高效、灵活易用、具备较高包容性的分布式架构技术系统。
实时监控平台是监察系统的核心子系统。从架构设计、核心技术、计算能力、高可用和容灾设计等多方面考察，认为 Flink 能够代表实时计算技术的未来趋势，是实时监控平台技术路线的最佳选择。与 Storm 比较，Flink 提供了强大的状态管理机制，更加友好的编程接口以及 Exactly-Once 语义；与 Spark Streaming 比较，Flink 提供了更加强大的窗口计算能力，并且在性能上更加能够满足低时延的要求。
Flink 帮助应用管理状态，自动保存状态（Checkpoint），并提供多种后端实现。当应用需要维护大量状态时，可使用 RocksDB 状态后端，大大降低内存开销，缓解 GC 问题。在故障时，能够将应用状态恢复到最近一个检查点。
Flink SQL 强大的表达能力大大降低了流计算业务开发的门槛，可满足监察系统的实时统计和实时告警业务 80% 以上的开发需求。扩展 UDF、UDAF、UDTF，实现特定的业务功能性函数，进一步简化了业务研发。
Flink 窗口计算支持业务时间（Event Time），支持全量计算和增量计算等模式，优化的内部算法让性能指标十分出色，方便实现区间值指标计算。
Flink 基于 Chandy-Lamport 分布式快照算法，实现了自动故障处理。在系统出现故障时，作业可以从最近的一个状态快照中恢复并继续运行，且能保证内部数据处理的 Exactly-Once 语义。为监察系统实现高可用的分布式实时计算平台提供牢固的基础。
2019 年深交所与阿里巴巴实时计算团队签订合作协议。新一代监察系统的实时计算平台已安全、可靠地运行了近 300 天。截至 2020 年 4 月底，原始业务消息数量平均达 5千多笔/秒，峰值达到 120多万/秒，关键业务统计、监察报警计算平均耗时百毫秒，为核心监察实时业务提供了强有力的支撑。
[1]
https://www.leiphone.com/news/201705/ZVhqW69XRJaKe3cD.html[2]
https://www.infoq.cn/article/wIwa7N6sFBR4QV-ScOgO实时计算 Flink 版产品交流群
阿里云实时计算Flink - 解决方案： https://developer.aliyun.com/article/765097 阿里云实时计算Flink - 场景案例： https://ververica.cn/corporate-practice 阿里云实时计算Flink - 产品详情页： https://www.aliyun.com/product/bigdata/product/sc