ML System Design Framework: 设计一个欺诈检测系统，说明数据与延迟权衡。

Core Concept: 强类别不平衡 + 概念漂移 + 对抗性；用规则+模型分层、极低延迟、以及快速迭代闭环。

数学机理：<strong>欺诈检测系统的特殊挑战</strong>——(1) <strong>数据特性</strong>——(a) <strong>强类别不平衡</strong>（欺诈常 <0.1%）——需 (i) 采样（过采样/欠采样）、(ii) 代价敏感损失、或 (iii) 用 PR-AUC 而非 ROC-AUC 评估；(b) <strong>标签延迟</strong>（欺诈确认需数周，如 chargeback）——需 (i) 用'近似标签'（如'交易被拒'、'用户投诉'）作为代理，(ii) 延迟反馈建模，(iii) 定期重训；(c) <strong>对抗性（adversarial）</strong>——欺诈者会<strong>主动适应</strong>模型（'概念漂移'极快）——需 (i) 快速迭代（天/小时级重训）、(ii) 规则与模型的组合（规则更新更快）、(iii) 监控'攻击模式变化'。(2) <strong>延迟要求</strong>——(a) <strong>支付授权</strong>——需 <strong><100ms</strong>（用户等待）；(b) <strong>风控决策</strong>——可稍慢（秒级）；(c) <strong>离线分析</strong>——分钟/小时级（用于事后追查）；<strong>故需分层</strong>（实时规则/轻量模型 + 近线深度模型 + 离线分析）。(3) <strong>架构</strong>——(a) <strong>规则层</strong>（黑名单/速率限制/地理异常）——<strong>毫秒级、可解释、快速更新</strong>；(b) <strong>实时模型</strong>（GBDT/轻量 NN，用实时特征）——<strong>十毫秒级</strong>；(c) <strong>近线模型</strong>（用更多特征/序列）——<strong>秒级</strong>（用于'挂起审核'）；(d) <strong>人工审核</strong>（高风险交易转人工）；(e) <strong>决策</strong>——'通过/拒绝/挂起'（三分类而非二分类）。(4) <strong>特征</strong>——(a) <strong>实时特征</strong>（本次交易金额、设备、IP、时间）；(b) <strong>窗口特征</strong>（近 1 小时/1 天的交易数、金额和）；(c) <strong>图特征</strong>（设备-账号-IP 的关系网络）；(d) <strong>序列特征</strong>（用户历史行为序列）；(e) <strong>第三方特征</strong>（信用分、黑名单）。(5) <strong>评估</strong>——(a) <strong>PR-AUC / Recall@低FPR</strong>（不平衡下 ROC-AUC 会乐观）；(b) <strong>业务指标</strong>（欺诈损失率、误拒率）；(c) <strong>成本矩阵</strong>（误拒的成本 vs 放过的成本）；(d) <strong>时效</strong>（决策延迟）。<strong>关键权衡</strong>——(a) <strong>召回 vs 误拒</strong>——高召回（抓更多欺诈）但误拒多（用户体验差）；需按'成本矩阵'优化；(b) <strong>延迟 vs 精度</strong>——实时模型特征少、近线模型特征多；故'分层决策'；(c) <strong>模型 vs 规则</strong>——模型能捕捉复杂模式但更新慢、规则更新快但易被绕过；故<strong>组合</strong>；(d) <strong>对抗性 vs 稳定性</strong>——过度拟合'当前攻击模式'会导致'新攻击'漏检；需<strong>多样性</strong>与<strong>快速迭代</strong>。<strong>失败模式</strong>——(a) <strong>概念漂移</strong>（攻击模式变化）；(b) <strong>标签延迟</strong>（模型滞后于现实）；(c) <strong>特征泄漏</strong>（用了未来信息）；(d) <strong>反馈循环</strong>（拒绝的交易无后续标签）。<strong>实践建议</strong>——(a) <strong>分层决策</strong>（规则 + 实时 + 近线 + 人工）；(b) <strong>PR-AUC + 成本矩阵</strong>评估；(c) <strong>快速迭代</strong>（小时/天级重训）；(d) <strong>实时特征</strong>（窗口/图）；(e) <strong>处理标签延迟</strong>（代理标签 + 延迟建模）；(f) <strong>监控对抗性漂移</strong>。<strong>度量</strong>——(a) PR-AUC/Recall@FPR；(b) 欺诈损失率/误拒率；(c) 决策延迟；(d) 漂移检测的及时性。

深度剖析与工程权衡：① <strong>'PR-AUC 而非 ROC-AUC'是关键</strong>——不平衡下 ROC-AUC 会乐观；面试中能指出是深度理解的标志。② <strong>'标签延迟'是欺诈检测的独特难点</strong>——需代理标签与延迟建模。③ <strong>'对抗性漂移'</strong>——欺诈者会适应模型；故需快速迭代 + 规则组合 + 多样性。④ <strong>'分层决策'</strong>——实时规则（毫秒）+ 实时模型（十毫秒）+ 近线模型（秒）+ 人工；按延迟预算分层。⑤ <strong>'三分类（通过/拒绝/挂起）'</strong>——比二分类更实用（挂起转人工）。⑥ <strong>面试要点</strong>——被问'设计欺诈检测'，应给出'<strong>数据特性（不平衡/标签延迟/对抗）+ 延迟权衡 + 分层架构 + PR-AUC/成本矩阵 + 快速迭代 + 失败模式</strong>'；能指出'PR-AUC 优于 ROC-AUC'是深度理解的标志。