我曾作为核心开发人员，参与设计并实现了一套大型的车辆智能风控预警系统。该项目核心目标在于通过技术手段实时监控驾驶员状态与车辆运行数据，主动预警并干预危险驾驶行为，以提升道路安全。

项目技术架构复杂，属于典型的物联网（IoT）与大数据实时处理相结合的系统。我主要负责的工作包括：

1. 多源数据实时处理： 构建了基于 Apache Kafka 的高吞吐量数据管道，用于实时接收来自车载终端（T-Box）的多种数据流，包括DMS（驾驶员监控系统）摄像头的实时视频流（用于基于计算机视觉模型的疲劳驾驶、分神、抽烟等行为识别）、酒精传感器信号、车辆CAN总线数据（车速、急刹车、急转弯等）。
2. 实时决策引擎： 利用 Flink 流处理框架开发了实时风险决策引擎。该引擎对流入的数据进行毫秒级聚合与分析，通过配置的多层级规则与算法模型（如与算法团队协作，集成疲劳度评分模型、面部特征识别模型），实时判断危险驾驶等级。
3. 后端服务与车辆控制： 使用 Spring Cloud 微服务架构开发了业务中台，负责策略管理、报警事件持久化、风险评估报告生成等。当识别到高危风险（如确认为酒驾、严重疲劳），系统会通过下行指令，经安全加密后下发至车载终端，远程触发车辆限制功率、鸣笛、闪灯，直至最终安全锁车等系列控制操作，并通过4G/5G网络向平台和管理员发送告警。
4. 系统稳定性保障： 为确保7x24小时不间断服务，系统部署在Kubernetes集群上，实现了高可用与弹性伸缩。并对关键链路进行了精心设计，以保障在海量车辆并发情况下，数据处理与指令下发的低延迟与高可靠性。

该项目成功实现了对危险驾驶行为的主动、精准干预，展现了我在处理复杂实时系统、数据集成与软硬件协同方面的全栈技术能力。