3. 特征平台架构基础：离线特征存储、在线特征服务、特征血缘追踪、特征版本管理

特征平台是支撑机器学习全生命周期的基础设施，它将特征从原始数据加工、存储、服务到治理的完整链路标准化。理解特征平台的四大核心组件——离线特征存储、在线特征服务、特征血缘追踪与特征版本管理——是构建样本偏差校验工具的前提。只有架构清晰，才能精准定位偏差产生的环节。

3.1 离线特征存储

离线特征存储用于批量计算和存储历史特征数据，主要服务于模型训练、离线评估和回溯分析。其核心特点是高吞吐、低成本和时间旅行能力。

3.2 在线特征服务

在线特征服务为模型推理提供低延迟、高并发的实时特征获取能力。它通常以KV存储或特征缓存的形式存在，要求毫秒级响应和高可用。

• 特征预加载：将高频特征从离线预计算并加载到在线缓存（如Redis、Memcached）。
• 实时计算：对窗口聚合、实时统计类特征进行流式计算（如Flink、Spark Streaming）。
• 特征获取API：提供统一的gRPC或HTTP接口，支持批量获取与单点查询。

3.3 特征血缘追踪

特征血缘记录了特征从原始数据源经过ETL、特征工程到最终存储的全链路依赖关系。它是偏差溯源的关键工具。

• 数据源血缘：记录特征来源于哪个原始表、哪个字段、哪个时间分区。
• 转换逻辑血缘：记录特征经过的SQL、UDF、聚合窗口等计算逻辑。
• 下游消费血缘：记录特征被哪些模型、哪些在线服务所使用。

3.4 特征版本管理

特征版本管理确保特征的定义、计算逻辑和存储格式可追溯、可回滚。它是避免因特征变更导致样本偏差的“安全网”。

3.5 架构协同与偏差校验切入点

四个组件并非孤立运行，而是形成闭环：

1. 离线→在线同步：离线特征通过批处理或流处理同步到在线服务，同步延迟和一致性是偏差高发区。
2. 血缘→版本联动：血缘追踪记录特征变更的上下文，版本管理记录变更的快照，两者结合可精确回放特征历史。
3. 校验工具集成：偏差校验工具应接入血缘元数据获取特征依赖，接入版本管理获取特征历史，接入离线/在线存储进行分布对比。