Tinkoff: real-time fraud detection через ClickHouse + Materialized Views

Ситуация: T-Bank обрабатывает миллионы транзакций/день. Нужно real-time fraud scoring: при каждой транзакции — проверить аномалии (velocity, geo, amount), вернуть risk_score <100ms. Стек: ClickHouse + Dictionary.

Tinkoff Tech blog описывает похожий паттерн. Real-time fraud detection — критичная задача для платёжного процессинга. Latency должна быть <100ms (включая network). ClickHouse — main analytics-storage.

Доступные данные

• transactions: tx_id, user_id, tx_time, amount, merchant, country, ip
• ~50M transactions/day
• user_profile (~50M юзеров) обновляется из MySQL CDC
• fraud_labels (historical) для ML training
• Latency target: P99 < 100ms

Задачи

• Dictionary для user-info: account_age, kyc_level, trust_score (refresh каждые 30 мин)
• SummingMergeTree для running per-hour aggregates (tx_count, sum_amount по user_id)
• MV для auto-update aggregates при INSERT в transactions
• Fraud scoring query: <100ms на single transaction
• Cohort retraining: weekly stats per fraud_label

Все кейсы для подготовки → ← Все кейсы