2、特征服务架构基础：特征存储、特征计算、特征上线、特征监控的核心组件与数据流

金融特征服务是连接离线特征工程与在线实时决策的中间层。样本一致性校验的成败，取决于对特征服务全链路组件的理解。本章从特征存储、特征计算、特征上线、特征监控四个维度，拆解核心组件与数据流转路径。

2.1 特征存储：分层与选型

特征存储是特征服务的“数据底座”，需要同时支撑高吞吐离线写入与低延迟在线读取。金融场景下，特征存储通常分为三层：

2.2 特征计算：批流一体与时间对齐

特征计算分为批量计算（T+1 / T+H）和流式计算（实时 / 准实时）。两者在样本一致性校验中的核心差异在于时间窗口的对齐方式。

• 批量计算：基于固定时间分区（如 dt=2025-04-07），使用 Spark / Hive 执行窗口聚合。特征值在分区内确定，适合回溯校验。
• 流式计算：基于事件时间（Event Time）或处理时间（Processing Time），使用 Flink / Kafka Streams。特征值随数据到达动态更新，校验时需指定 snapshot_time。

2.3 特征上线：注册、发布与灰度

特征上线是特征从“计算完成”到“服务可用”的关键环节，包含三个核心组件：

1. 特征注册中心：统一管理特征元数据（名称、类型、版本、Owner、SLA）。每次特征变更必须通过注册中心审批，避免“幽灵特征”。
2. 特征发布管道：将离线特征快照同步至在线/近线存储。支持全量发布与增量发布，发布前后自动触发一致性校验。
3. 灰度路由：按流量比例或请求 ID 哈希，将部分请求路由至新特征版本。灰度期间同时记录新旧版本特征值，用于在线对比。

2.4 特征监控：质量与延迟

特征监控是保障样本一致性的“最后一道防线”。监控体系分为两个维度：

2.5 核心数据流：从离线到在线的全链路追踪

特征服务的数据流可概括为“离线计算 → 特征注册 → 同步管道 → 在线缓存 → 模型推理 → 监控反馈”。其中，样本一致性校验需要追踪以下关键数据流节点：

• 离线特征快照：在批量计算完成后，对每个特征字段生成带时间戳的快照文件。
• 同步管道日志：记录每条特征从离线到在线的传输时间、数据量、校验结果。
• 在线特征日志：模型推理时，记录实际使用的特征值及其版本号。
• 监控指标流：实时聚合特征质量与延迟指标，推送至告警系统。