详解：“资损防控”方法论

职场 2024-11-04 12:07 天津

所有支付公司都对资损（资金损失）看得很重，轻则钱没了，重则舆论风波，要是引起监管介入，更是吃不了兜着走。

常在河边走的支付人，如果想少湿鞋，一定要了解资损防控体系建设。

资损防控是一个很庞大的体系，本文尝试从实用性着手，化繁为简，论述资损防控的本质，如何防，如何控，以及一些典型场景及应对手段。

1.资损概述

1. 1资损本质

1.2资损防控本质

1.3资损防控全生命周期

1.4资损风险分类

2. 常见场景及应对

2.1 金额放大缩小

1）背景

世界各国的币种最小单位是不一样的，比如人民币最小单位是分，日元最小单位是元，同一个币种在不同的渠道接口中使用的单位也不一样，有些使用元，有些使用币种最小单位。

2）问题

没有经验的工程师喜欢long或double存储金额，手动加减乘除，特别容易发生金额放大或缩小100倍。比如上游传的是元，以为传的是分，直接乘以100处理，资损发生。

3）解决方案

制定适用于公司业务的Money类来统一处理金额。
在入口网关接收到请求后，就转换为Money类。
所有内部应用的金额处理，强制全部使用Money类运算、传输，禁止自己手动加减乘除、单位换算（比如元到分）。
数据库使用DECIMAL类型保存，保存单位为元。
在出口网关外发时，再根据外部接口文档要求，转换成使用指定的单位。有些是元，有些是分（最小货币单位）。

2.2幂等击穿

1）背景

幂等性是一个数学和计算机科学术语，用于描述无论操作执行多少次，都产生相同结果的属性。在软件行业，应用极其广泛，当我们说一个接口支持幂等时，无论调用多少次，对系统造成的业务结果是一致的。（注意这里说的是业务结果）

2）问题

如果一个支付系统不能保证幂等性，一笔交易可能变成多笔交易。比如向渠道发起部分退款50元，如果系统做了重试，且渠道不支持幂等，会被做为2笔交易处理，那么就会多退用户50元，资损发生。
幂等字段被变更，导致原有的幂等逻辑失败。无论对商户的收单系统，支付内部应用，外部渠道都有可能发生。

2）解决方案

服务提供方在接口契约中一定要明确哪个是幂等字段。
内部应用的幂等字段变更，一定要跨域拉通对齐。
银行渠道的幂等字段及幂等条件一定要问清楚，不要想当然。
使用数据库唯一索引保存幂等字段。不要使用所谓的分布式锁来做幂等，只能用来辅助。
有能力的技术团队考虑建设幂等组件供全域使用。
特别注意在架构升级时，是否有变更幂等逻辑。

2.3流水号及短号重复

1）背景

有些银行的订单号或交易请求号只有6位（所谓短号），用完后重新从1开始循环。

有些收单系统使用8位流水号。

系统升级可能导致流水重复。

2）问题

支付时渠道返回“重复交易”，支付平台通常会推进到“支付中”或“未知”，然后调渠道查询接口，这时查到的是上一笔支付的结果，平台推进状态为“成功”，资损发生。

内部应用或商户请求支付平台的收单系统也有类似问题。

3）解决方案

流水号过短场景下，需要拼接交易日期，如果1天之内有可能用完，让渠道升级接口。
短号场景下，查询回来的流水号，需要拼接渠道返回的交易日期及金额。
禁止网关生成流水号，全部使用上游业务系统发下来的流水号做为外部渠道的请求号。
系统升级时需要重点评估流水号变更逻辑，避免重复。

2.4返回码映射

1）背景

每个渠道都有自己的返回码标准，内部各应用也有自己的返回码标准，返回给商户的也有一套收单定义的返回码标准。

有些渠道的返回码分为两级，有些只有一级。有些还分为“操作成功”和“业务成功”。所谓“操作成功”就是接口导致受理成功，但是不代表业务是否成功，只有“业务成功”才代表交易的成功。

2）问题

调用渠道支付返回超时，平台推进到“失败”，但渠道最终处理成功，用户资损发生。如果是退款场景，平台资损发生。
渠道接口区分了“操作成功”和“业务成功”两个字段，但是平台只判断了“操作成功”就推进了单据到成功，资损发生。
商户调支付平台，内部各应用互相调用，支付平台调外部渠道，都有可能因为返回码映射导致资损发生。

3）解决方案

需要明确哪些返回码是“业务成功”，哪些是“业务失败”，剩下的全部是“未知”。
只有明确是“业务成功”才能推进成功，明确是“业务失败”才能推进到失败。禁止把“超时”，“系统异常”，“交易重复”，“订单不存在”等返回码映射为失败。禁止把“操作成功”映射为业务成功。
流入类（扣用户钱）慎重推进到成功，流出类（给用户打款）慎重推进到失败。

2.5 乱序

1）背景

渠道异步通知回来可能比同步接口返回更快，内部应用之间消息、任务调度都无法保证顺序性。

2）问题

如果渠道异步回调通知先回来，且在响应中返回“业务处理成功”，平台推进到“成功”，同步接口在异步回调之后才返回，且在响应中返回“处理中”，平台又推进到“处理中”。
渠道同步接口还没有响应回来，平台向渠道发起了查询，查询结果为“订单不存在”或“成功”，之后同步接口响应回来，但是响应结果和查询的结果不一致，如果处理不当，容易发生资损。

除了渠道交易，内部应用之间的交互也可能有类似情况。

3）解决方案

状态机设计务必要保证“终态不可变更”。也就不管同步接口先返回，还是异步通知先到，或者查询补单先查到结果，只要是推进到了终态（成功，或失败），那就不能再变更单据状态。
默认所有的返回都有可能是乱序的，系统设计要防重，不要依赖顺序性。

2.6越权/环境

1）背景

支付平台所有的操作都是需要授权的，比如商户需要使用哪种支付方式，费率是多少，适用于哪种业务，都有明确规定。对接的外部渠道，通常都有线下环境（也称为沙箱环境）、生产环境。

2）问题

如果对商户请求的参数校验不完善，商户有可能越权使用没有签约的支付方式。或者把线下场景（通常手续费低）的产品用于线上比如游戏交易（通常手续费高），平台少收手续费。
支付平台线下测试环境配置了渠道生产环境的参数，在做提现测试时，把平台真实的资金提取到了个人账户。

3）解决方案

商户请求参数需要严格做校验，不但要校验基本的签名验签，还需要检查业务权限，避免商户越权操作。
禁止在线下环境配置渠道的生产环境参数。对渠道生产环境参数做黑白名单管控，通过系统能力来杜绝人为误配。
对用户的操作行为也需要严格校验权限和数据，避免A用户做支付时使用了B用户绑定的卡信息。

2.7数据库操作

1）背景

所有的交易都会与数据库进行交互，存在所谓的乐观锁和悲观锁的争论。

2）问题

数据库操作往往需要同时操作多张表，也就是要求多表之间的事务性，但是乐观锁是做不到事务性的（真要做到的技术成本也很高）。一些研发工程师引入所谓的乐观锁，经常出现事务问题。

3）解决方案

严格执行“一锁二判三更新”的原则。不要使用所谓乐观锁。
根据业务形态综合决定是否引入分布式事务。对大部分业务场景来说，都不需要分布式事务。通过“最终一致性”已经能解决绝大部分业务场景。
如果一定要引入分布式事务，一定要对运行的机制非常清楚，尤其是事务悬挂。

2.8状态机

1）背景

所有的交易单据都是有状态的，比如支付中，成功，失败等。

2）问题

经验不足的工程师，经常犯下面的错：

没有使用状态机设计思想，只是简单定义几个字符串表示“PAYING”， “SUCCESS”，“FAIL”等状态，然后使用if else 或switch case等写状态的流转。
状态机没有设计终态，或者终态仍然可以变更。典型的在乱序环境下，异步通知线程更新为“成功”，同步接口后返回，然后更新为“支付中”。

3）解决方案

引入严格的状态机，明确某个状态在什么事件驱动下可以迁移到哪个目标状态。
要有终态概念，一旦到达终态，就不能再变更。如果数据异常，那就人工订正数据库的数据。

2.9 多线程与资源共享

1）背景

多线程无处不在，且还可能为解决一些特殊场景，引入线程变量或线程池操作。比如一些变量不想通过接口或函数显式传递，或者为了提高性能引入线程池等。

2）问题

一些service（服务）使用了类成员变量，而且是可写的，导致不同线程写入不同数据，引起资损。
引入了Threadlocal变量，但在入口和出口没有做重置和清理，导致不同线程误用另一个线程的数据。
为提高性能引入缓存，但是混用了特定用户的缓存数据。比如设计是只是缓存了公共数据，但是在开发中把单个请求的特定数据也放入了缓存中，导致后续线程误用数据。

3）解决方案

严格禁止在service（服务）使用可写的类成员变量。
Threadlocal变量在入口和出口一定要做重置和清理。
所有缓存数据，需要明确是所有线程共享，还是特定用户的数据。全局缓存数据和个人缓存数据不要混在一起。如果要有个人数据的缓存，一定要有与个人强相关的明确的KEY。

2.10 兼容与灰度

1）背景

所有的业务系统都面临架构升级，必然会出现所谓【新老系统 + 新老数据】的兼容问题。

2）问题

在互联网应用中，所有发布都是灰度发布，数据库的变更也是一样。如果考虑不周全，大概率会出现线上问题，甚至资损。

比如：在灰度发布过程中，出去有可能是新代码，也可能是老代码，渠道异步回调通知时，有可能回调到新代码，也有可能回调到老代码。

数据库结构变更或数据变更也是如此，内部各应用之间的调用也是如此。

架构升级后，模型如果也做了升级，对历史数据的处理，到底是由老系统处理，还是新系统兼容处理？

3）解决方案

最基本的要保证发布阶段的兼容：请求出去时：新代码+老数据。外部回调通知回来时：老代码+新数据。
所有DB变更，无论是结构变更，还是数据内容变更，全部都需要考虑兼容性。
所有架构升级，如果模型也做了升级，需要提供适配器，通过适配器同时兼容处理老数据，避免老系统长期无法下线。

2.11运营操作

1）背景

运营操作在支付平台的日常运营工作中无处不在，比如配置营销券，手动发起打款等。

2）问题

只要是人操作，一定无法保证百分之一百可靠。比如配置给拉新的营销，忘记设置使用条件，打款多打了一笔等，全部是资损。

3）解决方案

使用技术手段进行预警。尤其是一些不符合常规的操作，要有一个黑名单规则集合。比如给每人发100元无门槛券，可无限领多次。
加入必要的审批流。为兼顾效率，可以按不同金额设置不同的审批权限。
严格校对领取权限，避免通过URL地址拼接参数，可以越权领取营销券。
实时监控券的领取和使用，比如对同一用户要有领取次数等监控。

3.监控与对账

3.1监控

在发布或有变更时，重点监控成功率和提交量变化，如果成功率有明显下降，一定要及时回滚。

此外，成功率不仅仅影响信息流，还有可能隐藏着资损。比如在支付场景下，用户扣款成功，但是因为内部的BUG，导致支付单推进到了失败，从表象上看就是支付成功率跌了，但实际用户已经有了资损。

3.2对账

资损的发现更多的仍然依赖对账来解决。

对账需要对什么？前面有说过，资损风险有四大类：状态不符合预期，金额不符合预期，交易笔数不符合预期，越权交易。

对应的，对账主要对三个：状态，金额，交易笔数。

3.3实时对账与离线对账

一般的支付平台都会有内部系统之间的两两对账，这种对账主要是信息流层面的对账，主要勾兑状态、金额、笔数等数据的一致性。

再细分，还可以拆成实时对账和离线对账。

实时对账一般就是监听数据库的binlog，当数据有变动时，延时几秒后请求双方系统的查询接口，查到数据后进行对账。

离线对账一般就是把生产数据库的数据定时清洗到离线库（一般还可以分为天表和小时表），然后进行对账。

3.4三层对账

第一层是信息流对账。我方流水和银行清算文件的流水逐一勾兑。可能会存在长短款情况。

第二层是账单对账。就是把我方流水汇总生成我方账单，然后把银行流水汇总生成银行账单，进行对账。可能会存在银行账单和我方账单不一致的情况，比如共支付100万，渠道分2次打款，一笔98万，一笔2万。

第三层是账实对账。就是我方内部记录的银行头寸和银行真实的余额是否一致。可能存在我方记录的头寸是220万，但是银行实际余额只有200万的情况。

4.应急与复盘

4.1 应急

每个公司内容的应急流程都不一样，但都有一个共识：资损发生后，需要立即启动应急，也就是线上故障的优先级高于手头的项目研发。因为在资损发生的前几个小时，追回损失的概率是很高的。

如果是资损故障已经有预案，就根据预案执行。如果是新的资损故障，需要及时上报主管，以便及时处置。

需要特别注意的是，一线工程师在发现资损故障后，一定要第一时间上报给自己的主管。原因有2个：

主管的经验通常更丰富，所做的决策考虑到的因子更多，知道什么样的故障应该怎么处理，如果需要协调其它部门，也更为高效。
一线工程师看到故障往往第一直觉就是先找问题根因，或者害怕主管责备，容易出现因处置不及时导致故障影响面扩大。

4.2复盘

资损故障都需要复盘，但是复盘的目的不只是为了追责，更是要看以后如何做得更好，以堵住类似所有的漏洞。

复盘内容至少包括以下几个内容：

故障定级：一般根据故障影响面来定等级。
时间线：故障从引入、触发、发现、止损、恢复等全部重要时间节点。
影响面：影响多少用户，多少金额等。
根因：因为什么引起，必要时需要贴上代码或技术方案。
反思：整个处置过程哪些做得好，哪些还需要改进。
待改进项：后续需要做什么，以杜绝类似问题，或至少发生类似问题时能处置得更高效。
责任人或责任团队。

在制定待改进项时，需要注意以下几点：

尽量考虑通过技术手段来解决后续可能发生的类似问题。
尽量减少增加审批流程。
尽量不依赖个人的素质。

核心思路：每个人的能力是不一样的，同一个人在不同时间的状态也是不一样的。所以需要技术手段来确保不管什么人在什么状态下，都能防住资损或能高效处置资损。

5.预案与演练

5.1预案

“预则立，不预则废”，这句古老的格言放到资损防控语境下尤其贴切。

预案需要针对可能发生的资损场景，制定详细的对策及处置流程，以便在故障发生时，可以高效地处置。

预案通常需要包含以下内容：

场景：明确预案处置的范围。
角色：一共有哪几个参与方，这几个参与方分别承担什么职责。
流程：什么角色在什么情况下执行什么样的操作。

5.2演练

预案做得再漂亮，如果没有提前演练，真出现问题时，往往是一团糟。这就要求我们不定期做一些演练。

演练通常分为两种：有损演练，和无损演练。需要根据实际情况选择。

常用的无损演练一般就是注入日志，或者修改对账脚本，对生产环境的数据没有影响。一方面检查是否能及时告警，以及告警出来后，值班的工程师是否及时接手和处置，处置过程是否得当。

有损演练直接触发线上交易。比如通过线下测试环境调用银行生产环境提现一笔小金额，就是一种典型的有损演练，因为这笔钱最后可能因为各种原因无法转账到备付金账户里去。这种有损演练，只要控制在小金额范围内，风险是可控的，且能更真实反映各方处置资损时的真实能力水平。

6.产品设计要点

支付系统的产品设计，除了会员实名认证这种纯信息流外，其它大部分情况下都需要同时考虑以下情况：

信息流与资金流匹配。尤其是跨境场景下，更是如此。
正向与逆向都需要考虑。
异常场景需要提前考虑，尤其是逆向。比如退款，如果出现因为超过渠道退款有效期或因为其它各种原因退不出去，怎么办？

7.全局通盘设计

资损防控不是点或线就能搞定的事，需要组合多种能力，才能建设出完善的资损防控体系。每个场景都可以考虑使用多种手段来解决，比如乱序的场景，就要使用幂等，状态机，终态设计，数据库一锁二判三更新等多种手段。

结束语

中学时读到扁鹊的故事，很有趣：“魏文侯问扁鹊曰：‘子昆弟三人，孰最善为医？’对曰：‘长兄病视神，未有形而除之，故名不出于家。仲兄治病，其在毫毛，故名不出于闾。若扁鹊者，镵血脉，投Du药，副肌肤，故名闻于诸侯。’”。

资损防控也是如此，做得最好的，恰如同扁鹊的长兄，往往大家都不知道。希望本文能为各位在资损防控建设方面有所帮助，早日修成扁鹊长兄的才能：“未有形而除之”。

我刚毕业时进入的是传统行业，后来转战互联网支付，在我负责的第一个互联网支付项目要上线时，被当时的总监连问了几个问题：“发布手册有吗？灰度方案是什么？可能存在哪些异常场景，对应的预案有吗？发布出问题能否回滚？验证方式是什么？... ...”我哑口无言，因为以前在传统公司做的项目都是停机发布，且只管写代码，不管发布，哪有这些考虑。

再后来亲自处置了很多次资损事件，比如：

某个银行使用6位短号，循环使用，在支付未成功时做了查询，查到老的订单是成功，推进到支付成功，给用户发货。
银行异步通知比同步返回更快，先推进成功，同步请求回来又推进到支付中，引起用户投诉。
金额传的是元，对接渠道的研发以为是分，发出前乘了100，导致金额放大100倍。
一个域修改了一个字段的取值，导致下游域的幂等失败，重复出款。

案例数不胜数，于是只好安慰自己说：“那些还没有经历过资损的支付人，只是因为在支付这个行业呆的时间还不够久罢！”。

产品读者可以分享本文给研发工程师，少点资损，少点压力。