10ms 金融级风控决策全链路

10ms 金融级实时风控决策全链路 (10ms Financial-Grade Real-Time Risk Pipeline) 是银行转账、支付结算、信贷审批与黑产反欺诈场景中，对每一笔交易请求在 极速 10ms 延迟 SLA 内完成全量风险研判并输出三路终态决策（放行 Accept / 拒绝 Reject / 人工复核 Challenge）的高可用低延迟分布式架构；全链路严格分解时间预算：1) 网关与身份设备指纹校验 (0.5ms)；2) 内存级规则引擎与黑白名单布隆初筛 (1.5ms)；3) 实时特征引擎并发拉取（基于 Redis/Aerospike，3ms）与流式窗口特征聚合；4) 机器学习欺诈模型打分（XGBoost/LightGBM C++ 引擎推理，3ms）与风险分校准；5) 策略编排中心决策聚合与动态挑战下发（OTP 短信/人脸识别，2ms）。

支付宝/微信支付实时反洗钱与反欺诈、信用卡盗刷拦截、电商大促防薅羊毛与刷单风控。

金融交易对用户体验极其敏感，哪怕 50ms 的支付卡顿都会造成订单流失，而欺诈事件一旦放行将造成不可逆的资金坏账损失；10ms 全链路架构在毫秒级时间内阻断 99.9% 的欺诈交易并保障极致支付体验。

详细画出 10ms 实时风控决策链路图，并分解网关、规则引擎、特征存储、模型推理与决策引擎的毫秒级耗时预算？

规则引擎（硬拦截）与机器学习模型（软评分）在线上如何协同编排（规则前置过滤 $\to$ 模型打分 $\to$ 规则后置约束）？

当实时特征库 (Redis/Aerospike) 发生网络抖动导致查询耗时超过 5ms 熔断阈值时，系统的三级优雅降级策略？

三路决策（放行、拦截、挑战）中，动态二次验证挑战 (Step-up Authentication: 如人脸识别/OTP) 的触发阈值设计与用户摩擦成本权衡？

风控系统的双机房双活 (Active-Active Multi-Region) 部署中，如何保证规则引擎热加载与用户频次特征跨机房强一致性？