3. 特征服务概念详解

特征服务是推荐系统与风控系统的核心数据基础设施。它负责将原始数据转化为可供模型推理使用的特征向量，并管理特征从生产到消费的完整生命周期。理解特征服务的内部机制，是进行有效压力测试的前提。

3.1 什么是特征服务

特征服务是一个在线数据转换与分发层，它屏蔽了底层异构数据源（实时流、离线数仓、在线数据库）的复杂性，对外提供统一、低延迟、高并发的特征查询接口。在微服务架构中，特征服务通常作为独立的中间件存在。

3.2 特征服务的生命周期

特征的生命周期包含三个核心阶段：提取、存储与在线计算。这三个阶段共同决定了特征服务的性能瓶颈与压力模型。

3.2.1 特征提取（Feature Extraction）

从原始数据中识别并计算特征值的过程。提取方式分为离线批处理与实时流处理：

• 离线提取： 使用 Spark/Flink 对历史日志进行批量聚合，生成用户画像、物品统计特征。适用于变化缓慢的长期特征。
• 实时提取： 消费 Kafka 中的实时事件流，通过滑动窗口计算瞬时行为特征（如“最近5秒点击次数”）。适用于对时效性敏感的短期特征。

3.2.2 特征存储（Feature Storage）

将提取后的特征持久化到高性能存储引擎中，供在线服务读取。常见的存储选型如下：

3.2.3 在线计算（Online Computation）

在推理请求到达时，实时组装并计算最终特征向量的过程。这是压力测试中最关键的环节，因为它直接暴露在请求路径上。

// 在线特征计算伪代码示例
public FeatureVector compute(Request request) {
    // 1. 获取基础特征（从缓存或 DB）
    UserProfile user = featureStore.getUserProfile(request.getUserId());
    ItemProfile item = featureStore.getItemProfile(request.getItemId());

    // 2. 实时聚合特征（滑动窗口）
    double clickRate = realtimeCounter.getClickRate(request.getUserId(), 300); // 近5分钟

    // 3. 特征交叉与变换
    double crossFeature = user.getAgeGroup() * item.getCategoryId();
    double normalized = (clickRate - mean) / std;

    // 4. 组装最终向量
    return new FeatureVector(user.getEmbedding(), item.getEmbedding(), normalized);
}

3.3 特征服务在推荐/风控系统中的作用

特征服务是连接数据层与模型推理层的桥梁。在推荐与风控系统中，它的作用可以概括为以下三点：

1. 统一特征视图： 消除不同业务线之间的特征孤岛，确保推荐模型和风控模型看到的是同一份特征数据，避免线上线下不一致。
2. 降低推理延迟： 通过预计算、缓存、并行查询等手段，将特征获取延迟压缩到毫秒级，使模型能够在 SLA 内完成推理。
3. 支撑复杂特征逻辑： 支持时间衰减、序列特征、图特征等复杂计算逻辑，而这些逻辑在原始数据库 SQL 中难以高效实现。

3.4 特征服务架构示意

下图展示了特征服务在推荐系统中的典型架构位置及其内部组件关系：

3.5 特征服务在推荐与风控中的差异

虽然架构相似，但推荐系统和风控系统对特征服务的要求存在显著差异，这些差异直接影响压力测试的模型设计：