CN111784353B - 实时特征计算方法、订单风险预测方法、装置及订单系统 - Google Patents

Abstract

公开了一种实时特征计算方法、订单风险预测方法、装置及订单系统。获取客户端用户的实时订单数据；将实时订单数据存储到与客户端用户对应的消息队列；以及由与消息队列对应的计算节点从消息队列读取实时订单数据，并基于实时订单数据进行实时特征计算处理，得到客户端用户的实时特征数据。由此，通过设置与客户端用户对应的消息队列以及与消息队列对应的用于消费消息队列的计算节点，可以实现实时特征计算的解耦，并且可以做到基于内存的增量计算，在满足时效性的同时，可以提升资源使用率。

Description

实时特征计算方法、订单风险预测方法、装置及订单系统

技术领域

本公开涉及计算机技术领域，特别是涉及一种实时特征计算方法、订单风险预测方法、装置及订单系统。

背景技术

随着互联网通信和移动支付技术的普及与发展，传统的线下交易模式逐渐向线上交易模式演变。

风控是线上交易模式中的一项关键流程。风控是风险控制的简称，是指对线上生成订单的风险进行控制/管理，以避免交易过程中的坏账、安全风险等情况的发生。

常规方案是基于用户历史行为数据进行离线特征计算，基于离线特征计算结果进行风控管理。这种方案有一定的滞后性，用户的实时行为不能及时反映到风控管理，从而影响风控效果，容易造成损失。

为了提升风控的时效性，需要基于实时特征计算结果进行风控管理，而这则需要一种行之可靠的实时特征计算方案。

发明内容

本公开要解决的一个技术问题是提供一种行之可靠的实时特征计算方案。

根据本公开的第一个方面，提供了一种实时特征计算方法，包括：获取客户端用户的实时订单数据；将实时订单数据存储到与客户端用户对应的消息队列；以及由与消息队列对应的计算节点从消息队列读取实时订单数据，并基于实时订单数据进行实时特征计算处理，得到客户端用户的实时特征数据。

根据本公开的第二个方面，提供了一种订单风险预测方法，包括：使用本公开第一个方面述及的实时特征计算方法获取客户端用户的实时特征数据；以实时特征数据为预测样本，使用预先构建的风控模型对客户端用户当前正在进行或即将进行的订单的风险进行预测，得到用于表征客户端用户当前正在进行或即将进行的订单的风险预测结果。

根据本公开的第三个方面，提供了一种订单系统，包括：风控服务装置；数据库；订单服务装置，用于获取客户端用户的实时订单数据，将实时订单数据存储到与客户端用户对应的消息队列，其中，实时订单数据用于表征客户端用户的与订单相关的实时行为数据；分布式计算系统，包括多个计算节点，每个计算节点对应一个或多个消息队列，计算节点从与该计算节点对应的消息队列读取实时订单数据，基于实时订单数据进行实时特征计算处理，得到客户端用户的实时特征数据，并将实时特征数据存储到数据库，风控服务装置从数据库获取客户端用户的实时特征数据，以实时特征数据为预测样本特征，使用预先构建的风控模型对客户端用户当前正在进行或即将进行的订单的风险进行预测，得到风险预测结果，将风险预测结果发送给订单服务装置。

根据本公开的第四个方面，提供了一种实时特征计算装置，包括：获取模块，用于获取客户端用户的实时订单数据；存储模块，用于将实时订单数据存储到与客户端用户对应的消息队列；以及实时特征数据确定模块，用于指令与消息队列对应的计算节点从消息队列读取实时订单数据，并基于实时订单数据进行实时特征计算处理，得到客户端用户的实时特征数据。

根据本公开的第五个方面，提供了一种订单风险预测装置，包括：获取模块，用于获取实时特征数据，其中，实时特征数据是使用本公开第四个方面述及的实时特征计算装置得到的；预测模块，用于以实时特征数据为预测样本，使用预先构建的风控模型对客户端用户当前正在进行或即将进行的订单的风险进行预测，得到用于表征客户端用户当前正在进行或即将进行的订单的风险预测结果。

根据本公开的第六个方面，提供了一种计算设备，包括：处理器；以及存储器，其上存储有可执行代码，当可执行代码被处理器执行时，使处理器执行如上述第一方面或第二方面所述的方法。

根据本公开的第七个方面，提供了一种非暂时性机器可读存储介质，其上存储有可执行代码，当可执行代码被电子设备的处理器执行时，使处理器执行如上述第一方面或第二方面所述的方法。

由此，通过设置与客户端用户对应的消息队列以及与消息队列对应的用于消费消息队列的计算节点，可以实现实时特征计算的解耦，并且可以做到基于内存的增量计算，在满足时效性的同时可以提升资源使用率。

附图说明

通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。

图1示出了根据本公开一个实施例的实时特征计算方法的示意性流程图。

图2示出了根据本公开一个实施例的订单系统的结构示意图。

图3示出了根据本公开一个实施例的网约车订单系统的结构示意图。

图4示出了根据本公开一个实施例的实时特征计算装置的结构框图。

图5示出了根据本公开一个实施例的订单风险预测装置的结构框图。

图6示出了根据本公开一个实施例的计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

图1示出了根据本公开一个实施例的实时特征计算方法的示意性流程图。图1所示的方法可部分或完全通过计算机程序以软件方式实现，还可通过特定配置的计算装置来执行图1所示的方法。作为示例，可以由分布式计算系统执行图1所示方法。

参见图1，在步骤S110，获取客户端用户的实时订单数据。

客户端用户是指需要进行风控管理的用户，也即订单交易过程中的参与方。其中，根据方案具体应用场景不同，客户端用户具体指代的对象也不尽相同。以方案应用于网约车场景为例，客户端用户可以是指通过网约车软件下单的乘客，也可以是指通过网约车软件接单的司机。

实时订单数据用于表征客户端用户的与订单相关的实时行为数据。例如，实时订单数据可以是指客户端用户针对订单做出的实时行为数据。其中，此处述及的订单可以是即将进行的订单，也可以是当前正在进行的订单，或者还可以是当前完成的订单。

可以通过多种方式获取实时订单数据。例如，可以从订单服务方获取客户端用户的实时订单数据。订单服务方是指用于向客户端用户提供订单服务的一方。订单服务方可以是与客户端软件对应的服务端，客户端用户可以通过客户端软件向订单服务系统发送下单/接单请求，并且订单进行过程中客户端用户还可以通过客户端软件针对订单做出特定操作(如支付订单、取消订单)，这些操作信息即为上文述及的实时行为信息，这些操作信息可以通过客户端软件上报给订单服务方。

在步骤S120，将实时订单数据存储到与客户端用户对应的消息队列。

考虑到客户端用户的数量较多，针对各个客户端用户的实时特征计算又较为频繁，为了节约资源、降低实时特征计算成本及复杂度，本公开提出，可以设置与客户端用户对应的消息队列(MQ，Message Queue)，并为消息队列设置对应的用于消费消息队列的计算节点。

每个计算节点可以对应一个或多个消息队列。计算节点可以视为用于提供特征计算服务的工作节点。计算节点可以是独立存在的物理节点，也可以是逻辑上的虚拟节点。客户端用户的实时订单数据可以存储到与客户端用户对应的消息队列。不同消息队列可以由对应的计算节点持续消费。

作为示例，可以利用哈希算法将实时订单数据存储到与客户端用户对应的消息队列。具体地，可以以实时订单数据所对应的客户端用户的客户端用户标识(如客户端用户id)为key，根据使用哈希算法针对key计算得到的散列值(即哈希值)，将实时订单数据存储到对应的消息队列。如此可以确定相同客户端用户的订单数据能够存储到同一消息队列。

在步骤S130，由与消息队列对应的计算节点从消息队列读取实时订单数据，并基于实时订单数据进行实时特征计算处理，得到客户端用户的实时特征数据。

计算节点用于从对应的消息队列中读取实时订单数据，并基于实时订单数据进行实时特征计算处理，以得到客户端用户的实时特征数据。

正常情况下，每个消息队列中的实时订单数据可以一直被同一计算节点处理。即，消息队列所对应的客户端用户的历史特征数据对计算节点来说是已知的。因此，计算节点可以基于实时订单数据计算实时变化特征数据，并基于之前计算得到的客户端用户的历史特征数据和当前计算得到的实时变化特征数据，确定实时特征数据。即，实时订单数据用于反映客户端用户当前的实时行为数据，因此计算节点可以根据实时订单数据完成客户端用户行为变化的计算逻辑，同时融入之前计算得到的客户端用户的历史特征数据，以形成最新的实时特征数据。

由此，消息队列作为中间件，可以解耦实时特征计算过程，即实时特征计算任务的生成和实时特征计算任务的执行可以异步进行。并且，计算节点在计算实时特征数据时，可以基于之前计算得到的历史特征数据以及消息队列中的实时订单数据做到基于内存的增量计算，既满足了时效性，又提升了系统资源使用率，同时可以降低整个集群的计算成本。

本公开述及的特征数据(实时特征数据/历史特征数据)可以是指对客户端用户的订单数据(如与订单关的行为数据)进行特征抽取得到的对预测订单风险有用的特征，如付款最大周期、退单频率等。

计算节点在计算得到实时特征数据后，还可以将实时特征数据上传至数据库。数据库可以是多种形式的数据库，如可以是但不限于Redis集群数据库。数据库中存储的实时特征数据可以作为之后计算该客户端用户的实时特征数据时依赖的历史特征数据，由相应的计算节点调用，以便计算节点据此计算新的实时特征数据。

例如，在与消息队列对应的计算节点无法提供实时特征计算处理服务(如计算节点所在机器宕机)的情况下，可以由其他计算节点负责该消息队列的实时特征计算，以确保实时特征计算的高可用性。即，可以由其他计算节点从消息队列中读取实时订单数据，基于实时订单数据计算实时变化特征数据，并基于从数据库获取的客户端用户的历史特征数据和当前计算得到的实时变化特征数据，确定实时特征数据。

综上，本公开通过设置与客户端用户对应的消息队列以及与消息队列对应的用于消费消息队列的计算节点，可以实现实时特征计算的解耦，并且可以做到基于内存的增量计算，既满足了时效性，又提升了系统资源使用率，同时可以降低整个集群的计算成本。

在上述实时特征计算方法的基础上，本公开还提出了一种订单风险预测方法。可以使用上文述及的实时特征计算方法获取客户端用户的实时特征数据，在得到实时特征数据后，可以以实时特征数据为预测样本，使用预先构建的风控模型对客户端用户当前正在进行或即将进行的订单的风险进行预测，得到用于表征客户端用户当前正在进行或即将进行的订单的风险预测结果。其中，风控模型可以是基于机器学习技术预先训练好的用于预测订单风险的预测模型。关于风控模型的构建不是本公开的侧重点，此处不再赘述。在得到风险预测结果后，可以根据风险预测结果制定相应的风控策略，通过执行所制定的风控策略即可实现针对该订单的风控管理。

在上述实时特征计算方法的基础上，本公开还提出了一种订单系统。图2示出了根据本公开一个实施例的订单系统的结构示意图。下面结合图2就订单系统的结构组成以及工作原理进行说明，对于其中涉及的细节部分可以参见上文结合图1的相关描述。

参见图2，订单系统包括订单服务装置110、分布式计算系统120、数据库130以及风控服务装置140。

订单服务装置110可以为客户端用户提供订单服务。订单服务装置110可以是与客户端软件对应的服务端，客户端用户可以通过客户端软件向订单服务系统发送下单/接单请求，并且订单进行过程中客户端用户还可以通过客户端软件针对订单做出特定操作(如支付订单、取消订单)，这些操作信息均可以通过客户端软件上报给订单服务装置110。

由此，订单服务装置110可以获取客户端用户的实时订单数据。实时订单数据用于表征客户端用户的与订单相关的实时行为数据。例如，实时订单数据可以是指客户端用户针对当前正在进行或者当前完成的订单做出的实时行为数据。

订单服务装置110可以将获取到的实时订单数据存储到与客户端用户对应的消息队列。具体可以参见上文结合图1中步骤S120的描述，此处不再赘述。

分布式计算系统120包括多个计算节点。每个计算节点对应一个或多个消息队列，计算节点从与该计算节点对应的消息队列读取实时订单数据，基于实时订单数据进行实时特征计算处理，得到客户端用户的实时特征数据，并将实时特征数据存储到数据库130。关于实时特征数据的计算过程可以参见上文结合图1中步骤S130的描述，此处不再赘述。

数据库130可以是多种结构形式的数据库，如可以是但不限于Redis数据库。存储在数据库130中的实时特征数据可以作为当前客户端用户的实时特征数据由风控服务装置140调用，以便风控服务装置140据此对客户端用户当前正在进行或即将进行的订单进行风控管理。存储在数据库130中的实时特征数据也可以作为之后计算该客户端用户的实时特征数据时依赖的历史特征数据，由相应的计算节点调用，以便计算节点据此计算新的实时特征数据。

可选地，数据库130可以包括第一数据库和第二数据库。第一数据库用于存储客户端用户的历史特征数据，第二数据库用于存储客户端用户的实时特征数据。

风控服务装置140可以从数据库获取客户端用户的实时特征数据，以实时特征数据为预测样本特征，使用预先构建的风控模型对客户端用户当前正在进行或即将进行的订单的风险进行预测，得到风险预测结果，将风险预测结果发送给订单服务装置110。其中，风险预测结果用于表征客户端用户当前正在进行或即将进行的订单的风险大小。订单服务装置110可以根据风险预测结果针对客户端用户当前正在进行或即将进行的订单制定相应的风控策略，以避免交易过程中的坏账、安全风险等情况的发生。

具体应用例

以网约车场景为例，可以将n日内乘客下单、支付等乘客行为数据，同步到类似hadoop的大数据系统，大数据计算系统在时间间隔T+n后产出用户的特征数据，如乘客历史完单情况、乘客付款最大周期等，并将特征数据同步到业务系统，最终结合风控模型完成乘客特征的风控判断。

这种方式的优点是方案简单且成本较低，但不足之处在于特征数据产出时效性不足，当日或n日的变化不能及时地反映在风控系统，对于业务风控判断有一定概率的影响，不能满足未来业务发展的需要。

为此，可以将原来乘客的下单数据同步及计算由基于大数据的T+n模式，优化为基于内存的分布式实时特征计算模式。图3示出了基于内存的分布式实时特征计算模式下的网约车订单系统的结构示意图。

如图3所示，订单服务对应于上文述及的订单服务装置。乘客通过订单服务下单后，订单服务将乘客订单数据以乘客id为key，利用hash算法发送到特征计算池中的MQ，以确保同一乘客的订单数据能够hash到MQ内部的同一队列上。

MQ包括P1、P2、Pn等多个队列，每个队列对应一个特征计算服务。此处述及的队列对应于上文述及的消息队列，特征计算服务对应于上文述及的计算节点。基于一个队列只被一个特征计算服务消费的原理，可以保证一个特征计算服务持续消费同一队列，如此同一乘客的订单数据会一直被同一个特征计算服务消费，使得特征计算服务可以根据该乘客的历史特征数据(如：完单量、支付周期等)做到基于内存的增量计算，既满足了时效性，又提升了系统资源的使用率，降低整个集群成本。关于特征计算服务计算实时特征数据的过程可以参见上文相关描述，此处不再赘述。

某个特征计算服务所在机器宕机时，其计算逻辑可以被集群中其他特征计算服务接管，对应消费队列中的乘客历史数据可以由保存乘客历史特征的Redis集群加载，确保系统的高可用。该Redis集群可以视为用于存储历史特征数据的数据库，也即上文述及的第一数据库。

特征计算集群可以实时计算乘客的实时特征数据，计算完成后，可以实时同步到用于储实时特征数据的Redis集群，该Redis集群可以视为用于存储实时特征数据的数据库，也即上文述及的第二数据库。Redis集群中的实时特征数据可以提供给风控服务使用，整个过程可以做到秒级计算秒级同步。风控服务对应于上文述及的风控服务装置。关于风控服务装置可以执行的操作可以参见上文相关描述，此处不再赘述。

由此，乘客行为特征数据的生成可以由T+n优化到秒级变化，提升了网约车风控系统判定风险的能力，减少了业务的损失。

本公开的实时特征计算方法还可以实现为一种实时特征计算装置。图4示出了根据本公开示例性实施例的实时特征计算装置的结构框图。其中，实时特征计算装置的功能单元可以由实现本公开原理的硬件、软件或硬件和软件的结合来实现。本领域技术人员可以理解的是，图4所描述的功能单元可以组合起来或者划分成子单元，从而实现上述发明的原理。因此，本文的描述可以支持对本文描述的功能单元的任何可能的组合、或者划分、或者更进一步的限定。

下面就实时特征计算装置可以具有的功能单元以及各功能单元可以执行的操作做简要说明，对于其中涉及的细节部分可以参见上文相关描述，这里不再赘述。

参见图4，实时特征计算装置400包括获取模块410、存储模块420、实时特征数据确定模块430。获取模块410用于获取客户端用户的实时订单数据。存储模块420用于将实时订单数据存储到与客户端用户对应的消息队列。实时特征数据确定模块430用于指令与消息队列对应的计算节点从消息队列读取实时订单数据，并基于实时订单数据进行实时特征计算处理，得到客户端用户的实时特征数据。

在与消息队列对应的计算节点无法提供实时特征计算处理服务的情况下，实时特征数据确定模块430可以指令其他计算节点从消息队列读取实时订单数据，基于实时订单数据计算实时变化特征数据，并基于从数据库获取的客户端用户的历史特征数据和当前计算得到的实时变化特征数据，确定实时特征数据。

实时特征计算装置400还可以包括上传模块，用于将实时特征数据上传至数据库。

本公开的订单风险预测方法还可以实现为一种订单风险预测装置。图5示出了根据本公开示例性实施例的订单风险预测装置的结构框图。其中，实时特征计算装置的功能单元可以由实现本公开原理的硬件、软件或硬件和软件的结合来实现。本领域技术人员可以理解的是，图5所描述的功能单元可以组合起来或者划分成子单元，从而实现上述发明的原理。因此，本文的描述可以支持对本文描述的功能单元的任何可能的组合、或者划分、或者更进一步的限定。

下面就订单风险预测装置可以具有的功能单元以及各功能单元可以执行的操作做简要说明，对于其中涉及的细节部分可以参见上文相关描述，这里不再赘述。

参见图5，订单风险预测装置500包括获取模块510和预测模块520。

获取模块510用于获取实时特征数据。实时特征数据可以是使用上文述及的实时特征计算装置得到的。关于实时特征数据的计算过程可以参见上文相关描述，此处不再赘述。

预测模块520用于以实时特征数据为预测样本，使用预先构建的风控模型对客户端用户当前正在进行或即将进行的订单的风险进行预测，得到用于表征客户端用户当前正在进行或即将进行的订单的风险预测结果。

图6示出了根据本公开一实施例可用于实现上述实时特征计算方法或订单风险预测方法的计算设备的结构示意图。

参见图6，计算设备600包括存储器610和处理器620。

处理器620可以是一个多核的处理器，也可以包含多个处理器。在一些实施例中，处理器620可以包含一个通用的主处理器以及一个或多个特殊的协处理器，例如图形处理器(GPU)、数字信号处理器(DSP)等等。在一些实施例中，处理器620可以使用定制的电路实现，例如特定用途集成电路(ASIC，Application Specific Integrated Circuit)或者现场可编程逻辑门阵列(FPGA，Field Programmable Gate Arrays)。

存储器610可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)，和永久存储装置。其中，ROM可以存储处理器620或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器610可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器610可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。

存储器610上存储有可执行代码，当可执行代码被处理器620处理时，可以使处理器620执行上文述及的实时特征计算方法或订单风险预测方法。

上文中已经参考附图详细描述了根据本公开的实时特征计算方法、订单风险预测方法、订单系统、装置及设备。

此外，根据本公开的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本公开的上述方法中限定的上述各步骤的计算机程序代码指令。

或者，本公开还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本公开的上述方法的各个步骤。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。

附图中的流程图和框图显示了根据本公开的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种实时特征计算方法，包括：

获取客户端用户的实时订单数据，所述实时订单数据用于表征客户端用户的与订单相关的实时行为数据；

将所述实时订单数据存储到与所述客户端用户对应的消息队列；以及

由与所述消息队列对应的计算节点从所述消息队列读取所述实时订单数据，并基于所述实时订单数据进行实时特征计算处理，得到所述客户端用户的实时特征数据，以便于基于所述实时特征数据对所述客户端用户进行风控管理。

2.根据权利要求1所述的实时特征计算方法，其中，

所述计算节点基于所述实时订单数据计算实时变化特征数据，并基于之前计算得到的所述客户端用户的历史特征数据和当前计算得到的实时变化特征数据，确定所述实时特征数据。

3.根据权利要求1所述的实时特征计算方法，还包括：

在与所述消息队列对应的计算节点无法提供实时特征计算处理服务的情况下，由其他计算节点从所述消息队列读取所述实时订单数据，基于所述实时订单数据计算实时变化特征数据，并基于从数据库获取的所述客户端用户的历史特征数据和当前计算得到的实时变化特征数据，确定所述实时特征数据。

4.根据权利要求3所述的实时特征计算方法，还包括：

将所述实时特征数据上传至所述数据库。

5.一种订单风险预测方法，包括：

使用权利要求1至4中任一项所述的实时特征计算方法获取客户端用户的实时特征数据；

以所述实时特征数据为预测样本，使用预先构建的风控模型对所述客户端用户当前正在进行或即将进行的订单的风险进行预测，得到用于表征所述客户端用户当前正在进行或即将进行的订单的风险预测结果。

6.一种订单系统，包括：

风控服务装置；

数据库；

订单服务装置，用于获取客户端用户的实时订单数据，将所述实时订单数据存储到与所述客户端用户对应的消息队列，其中，所述实时订单数据用于表征所述客户端用户的与订单相关的实时行为数据；

分布式计算系统，包括多个计算节点，每个所述计算节点对应一个或多个消息队列，所述计算节点从与该计算节点对应的消息队列读取所述实时订单数据，基于所述实时订单数据进行实时特征计算处理，得到所述客户端用户的实时特征数据，并将所述实时特征数据存储到所述数据库，

所述风控服务装置从所述数据库获取所述客户端用户的实时特征数据，以所述实时特征数据为预测样本特征，使用预先构建的风控模型对所述客户端用户当前正在进行或即将进行的订单的风险进行预测，得到风险预测结果，将所述风险预测结果发送给所述订单服务装置。

7.一种实时特征计算装置，包括：

获取模块，用于获取客户端用户的实时订单数据，所述实时订单数据用于表征客户端用户的与订单相关的实时行为数据；

存储模块，用于将所述实时订单数据存储到与所述客户端用户对应的消息队列；以及

实时特征数据确定模块，用于指令与所述消息队列对应的计算节点从所述消息队列读取所述实时订单数据，并基于所述实时订单数据进行实时特征计算处理，得到所述客户端用户的实时特征数据，以便于基于所述实时特征数据对所述客户端用户进行风控管理。

8.一种订单风险预测装置，包括：

获取模块，用于获取实时特征数据，其中，所述实时特征数据是使用权利要求7所述的实时特征计算装置得到的；

预测模块，用于以所述实时特征数据为预测样本，使用预先构建的风控模型对客户端用户当前正在进行或即将进行的订单的风险进行预测，得到用于表征所述客户端用户当前正在进行或即将进行的订单的风险预测结果。

9.一种计算设备，包括：

处理器；以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1至5中任何一项所述的方法。

10.一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1至5中任何一项所述的方法。