1. 样本校验概述：实时风控场景下样本校验的重要性、校验目标与核心挑战
1.1 为什么实时风控离不开样本校验？
在实时风控系统中，特征工程是模型决策的“燃料”。然而，如果用于训练或评估的样本存在质量问题——例如特征缺失、标签穿越、分布偏移——那么无论模型结构多先进，最终决策都会偏离真实业务。样本校验正是确保特征工程数据质量的第一道防线。
核心观点： 实时风控的样本校验不是“可选项”，而是“必选项”。一次未校验的样本错误，可能导致数万笔交易被误判为欺诈，或让真实欺诈穿透模型。
1.2 校验目标：从数据到决策的三层保障
样本校验的目标可以拆解为三个层次，每一层都直接关联风控效果：
| 层次 | 校验目标 | 典型问题 | 业务影响 |
|---|---|---|---|
| L1：数据完整性 | 确保样本无缺失、无异常值、格式正确 | 特征字段为 null、时间戳格式错误 | 模型无法计算特征，直接降级或拒绝 |
| L2：逻辑一致性 | 确保特征与标签、特征与特征之间逻辑自洽 | “交易时间”晚于“审核时间”、年龄与身份证号矛盾 | 模型学到错误关联，泛化能力下降 |
| L3：分布稳定性 | 确保训练/在线样本分布一致，无概念漂移 | 新渠道流量导致特征均值偏移 | 模型效果衰减，需频繁重训 |
实践建议： 在实时风控流水线中，L1 和 L2 校验应放在特征计算之后、模型推理之前；L3 校验则作为离线监控任务，按天或小时运行。
1.3 核心挑战：实时场景下的四大难点
与离线批量校验不同，实时风控的样本校验面临独特的技术挑战：
- 延迟约束：校验逻辑必须在毫秒级完成，不能阻塞模型推理主路径。
- 数据稀疏性：单条样本信息有限，难以做统计层面的异常检测。
- 动态演化：业务规则、渠道特征、用户行为不断变化，校验阈值需要自适应。
- 标签滞后：真实标签（如是否欺诈）往往在交易后数天甚至数周才能确认，导致校验缺乏 ground truth。
1.4 校验流程：实时流水线中的位置
样本校验不是独立模块，而是嵌入在实时风控流水线中的关键环节。下图展示了校验在特征工程与模型推理之间的典型位置：
注意： 校验失败时，系统应快速降级（如使用备用模型或直接拒绝），而不是让错误样本进入模型推理。降级策略需要提前设计并压测。
1.5 校验指标：如何衡量校验效果？
样本校验本身也需要被量化评估。以下是实时风控场景下常用的校验监控指标：
| 指标 | 定义 | 正常范围 | 告警阈值 |
|---|---|---|---|
| 校验通过率 | 通过校验的样本数 / 总样本数 | ≥ 99.5% | < 99.0% |
| 校验延迟 P99 | 校验环节耗时第 99 百分位 | ≤ 3ms | > 5ms |
| 特征缺失率 | 缺失特征数 / 总特征数 | ≤ 0.1% | > 0.5% |
| 标签穿越率 | 未来信息泄露到当前样本的比例 | 0% | > 0% 即告警 |
最佳实践： 将校验指标接入实时监控看板，与模型效果指标（如 AUC、KS）联动分析。当校验通过率下降时，优先排查上游数据源或特征计算逻辑。