1、实时特征计算概述
大家好，我是你们这门课的老朋友。今天咱们正式开篇，聊聊实时特征计算到底是个什么东西。
我入行头几年，主要跟离线数仓打交道。那时候觉得，每天凌晨跑一次批处理，第二天看报表，日子也挺安稳。直到有一次，我负责的一个推荐系统上线后，用户反馈「刷了半天，推荐的内容还是昨天看过的」。我排查了一整天，发现问题就出在特征更新太慢——用户刚点了一个视频，特征要等 6 小时才能生效。嗯，从那天起，我就开始认真琢磨实时特征了。
什么是实时特征
说白了，实时特征就是「数据从产生到可用，延迟在秒级甚至毫秒级」的特征。
举个例子：你在电商 App 上搜了「机械键盘」，系统立刻把你这个行为算成一个特征——「用户近期搜索关键词：机械键盘」。这个特征在 1 秒内就进入模型，影响接下来的推荐结果。这就是实时特征。
与之对比，离线特征可能是「用户过去 30 天搜索关键词 TOP10」，每天凌晨算一次。时效性差，但计算成本低。
核心定义：实时特征 = 数据产生时间戳 + 特征计算时间戳 之间的差值 ≤ 业务容忍延迟（通常 1 秒 ~ 1 分钟）。
实时计算与离线计算的对比
我经常被问到：「实时计算是不是就是离线计算跑得快一点？」
还真不是。两者从架构设计到技术选型，差别挺大的。我整理了一张对比表，你一看就明白：
| 对比维度 | 离线计算 | 实时计算 |
|---|---|---|
| 数据源 | HDFS / 数仓表（静态分区） | Kafka / Pulsar / 日志流（持续流入） |
| 计算模式 | 批处理（Batch），周期性触发 | 流处理（Streaming），事件驱动 |
| 延迟要求 | 小时级 ~ 天级 | 秒级 ~ 分钟级 |
| 数据量 | 全量历史数据（TB ~ PB） | 窗口内增量数据（MB ~ GB） |
| 容错机制 | 任务重跑，幂等性保证 | 状态快照 + 精确一次语义（Exactly-Once） |
| 典型引擎 | Hive / Spark SQL / Presto | Flink / Kafka Streams / Spark Streaming |
| 成本 | 存储成本高，计算成本低（错峰） | 存储成本低，计算成本高（常驻集群） |
你看，离线计算擅长「算全量、算得准」，实时计算擅长「算增量、算得快」。两者不是替代关系，而是互补关系。我现在的项目里，离线特征做基础画像，实时特征做行为捕捉，配合起来效果最好。
我的经验：不要一上来就追求全实时。先评估业务容忍延迟——如果 5 分钟更新一次就能满足需求，用微批（Micro-Batch）比纯流式更省资源。我曾经有个项目，硬上纯流式，结果集群成本翻了三倍，业务方却说「其实 1 分钟延迟也能接受」……
实时特征计算的应用场景
实时特征不是炫技，它解决的是实实在在的业务痛点。我挑三个最典型的场景聊聊：
风控场景
风控对实时性的要求是最苛刻的。你想想看，用户正在支付，系统必须在几百毫秒内判断这笔交易是不是盗刷。
常见的实时特征包括：
- 设备指纹特征：当前 IP 是否在 5 分钟内切换过 3 个以上城市
- 行为序列特征：用户从登录到支付的时间间隔是否异常短
- 频次特征：同一设备 1 分钟内发起的交易次数
我记得有一次，我们监控到一个账号在 10 秒内从北京、上海、广州三个地点同时登录。离线特征根本发现不了这种模式，但实时特征立刻触发了风控拦截。这就是实时特征的价值——抓住「瞬间异常」。
推荐场景
推荐系统是实时特征最「卷」的领域。用户的行为意图变化极快，你晚 10 秒更新特征，推荐结果可能就完全不对味了。
典型的实时推荐特征：
- 实时点击序列：用户最近 5 次点击的商品类目
- 实时搜索意图：当前搜索词与历史搜索词的语义相似度
- 实时上下文：当前时间、地理位置、网络环境
我参与过一个短视频推荐项目，初期只用离线特征，用户冷启动阶段推荐效果很差。后来加了实时特征——用户刚刷完一个搞笑视频，系统立刻把「搞笑类目权重」上调 20%，推荐准确率提升了 15%。
注意：实时特征在推荐场景中容易引入「信息茧房」效应。用户刚点了一个内容，你立刻推同类型，用户可能越看越窄。我建议在实时特征中加入「探索性特征」，比如随机采样一些不同类目的内容，保持推荐的多样性。
监控场景
监控场景的实时特征，核心是「异常检测」和「告警触发」。
举个例子：
- 业务监控：实时计算「下单成功率」的滑动窗口均值，一旦低于阈值就告警
- 系统监控：实时计算「接口 P99 延迟」，超过 500ms 自动扩容
- 流量监控：实时计算「UV / PV 同比变化率」，发现流量突增或突降
我之前维护过一个广告投放系统，每天凌晨流量会有一个「尖刺」。离线监控只能第二天看到，但实时监控在尖刺出现 30 秒内就触发了自动扩容，避免了服务雪崩。
知识体系总览
说了这么多，咱们用一张图把本章的核心脉络串起来。这张 SVG 图展示了实时特征计算的知识体系：
这张图把咱们本章讲的内容都串起来了。从核心定义出发，到离线与实时的对比，再到三个典型应用场景。后面的课程，我们会逐一深入每个环节。
好了，第一章就到这里。实时特征计算的门已经推开了一条缝，接下来咱们会一步步走进去，看看里面到底藏着哪些架构设计和工程实践。