3. Feature Store 概念：离线特征与在线特征、特征注册中心、特征服务化、特征血缘追踪

在金融图谱场景中，Feature Store（特征仓库）是连接离线开发与在线推理的核心中间层。它解决了特征重复开发、训练/推理不一致、特征口径混乱等痛点。本节围绕四个核心概念展开：离线特征与在线特征的存储与计算差异、特征注册中心的元数据管理、特征服务化的低延迟交付，以及特征血缘追踪的可观测性。

3.1 离线特征与在线特征

离线特征与在线特征在计算引擎、存储介质、时效性要求上存在本质区别。下表对比了二者的关键差异：

3.2 特征注册中心

特征注册中心是 Feature Store 的元数据中枢，负责管理特征的名称、类型、来源、版本、Owner、业务标签等信息。它确保所有特征可发现、可复用、可治理。

特征注册中心的核心能力包括：

• 特征定义管理：统一特征名称、数据类型、默认值、空值处理策略。
• 版本控制：每次特征逻辑变更自动生成新版本，支持回滚。
• 权限与审批：特征发布需经过业务负责人审批，防止随意修改。
• 标签与搜索：支持按业务域（如“反欺诈”、“信用评分”）检索特征。

下图展示了特征注册中心在 Feature Store 架构中的核心位置：

3.3 特征服务化

特征服务化是指将特征以高可用、低延迟的 API 形式暴露给在线推理服务。在金融风控场景中，一次实时风控决策通常需要在 50ms 内完成特征拼接与模型打分。

特征服务化的关键设计原则：

• 预计算 + 缓存：高频特征提前计算并写入 Redis，避免实时重复计算。
• 批量获取接口：支持一次请求获取多个实体（如多个用户 ID）的多个特征，减少网络开销。
• 降级与熔断：当特征服务不可用时，自动降级到默认值或历史快照，保证主流程不中断。
• 预热机制：模型上线前，将热数据提前加载到缓存，避免冷启动延迟。

3.4 特征血缘追踪

特征血缘追踪记录了特征从原始数据源 → 特征计算逻辑 → 特征存储 → 模型消费的完整链路。它是样本偏差排查、特征质量审计、模型可解释性的基础。

特征血缘的核心要素：

下图展示了特征血缘追踪的完整链路：

3.5 样本偏差校验中的 Feature Store 价值

在金融图谱 Feature Store 实践中，样本偏差校验依赖上述四个概念的协同：

• 离线与在线特征一致性校验：通过注册中心对比离线特征与在线特征的定义、计算逻辑、空值率分布，发现偏差。
• 特征服务化监控：实时记录在线特征返回的统计分布，与离线特征分布进行 KS 检验 / PSI 计算。
• 血缘追踪辅助定位：当偏差发生时，沿血缘链路回溯，定位是数据源、ETL 还是存储环节引入的偏差。