3. 模型序列化与保存

模型训练完成后，必须将其序列化并持久化到磁盘，才能在后续的推理服务、批量检测或模型更新中复用。本章聚焦于三种主流序列化方案：joblib（sklearn 推荐）、pickle（Python 通用）和 torch.save（PyTorch 专用），并介绍模型版本管理的最佳实践。

3.1 序列化方案对比

3.2 使用 joblib 保存 sklearn 模型

joblib 是 sklearn 官方推荐的序列化工具，对包含大量 numpy 数组的模型（如树模型、SVM）有显著的性能优势。

from sklearn.ensemble import IsolationForest
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
import joblib

# 构建异常检测流水线
model_pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('detector', IsolationForest(
        n_estimators=100,
        contamination=0.05,
        random_state=42
    ))
])

# 训练模型（假设 X_train 已准备好）
# model_pipeline.fit(X_train)

# 保存模型到文件
joblib.dump(model_pipeline, 'fraud_detection_model.pkl')

# 加载模型
loaded_model = joblib.load('fraud_detection_model.pkl')

# 使用加载的模型进行预测
# predictions = loaded_model.predict(X_new)

3.3 使用 torch.save 保存 PyTorch 模型

PyTorch 提供两种保存方式：保存完整模型（结构+权重）和仅保存状态字典（推荐方式）。对于异常交易检测中的深度自编码器或图神经网络模型，推荐使用状态字典方式。

import torch
import torch.nn as nn

class AnomalyAutoencoder(nn.Module):
    def __init__(self, input_dim=30, encoding_dim=8):
        super().__init__()
        self.encoder = nn.Sequential(
            nn.Linear(input_dim, 16),
            nn.ReLU(),
            nn.Linear(16, encoding_dim),
            nn.ReLU()
        )
        self.decoder = nn.Sequential(
            nn.Linear(encoding_dim, 16),
            nn.ReLU(),
            nn.Linear(16, input_dim),
            nn.Sigmoid()
        )

    def forward(self, x):
        encoded = self.encoder(x)
        decoded = self.decoder(encoded)
        return decoded

# 初始化模型
model = AnomalyAutoencoder(input_dim=30)

# 方式一：保存完整模型（不推荐，耦合度高）
torch.save(model, 'autoencoder_full.pth')

# 方式二：仅保存状态字典（推荐）
torch.save(model.state_dict(), 'autoencoder_state_dict.pth')

# 加载模型（需要先实例化模型结构）
loaded_model = AnomalyAutoencoder(input_dim=30)
loaded_model.load_state_dict(torch.load('autoencoder_state_dict.pth'))
loaded_model.eval()  # 切换到推理模式

3.4 模型版本管理

在异常交易检测系统中，模型需要频繁迭代更新。良好的版本管理机制可以确保可追溯性、快速回滚和 A/B 测试。

3.4.1 文件命名规范

# 推荐命名格式
fraud_model_v1.2.3_20250115.pkl
fraud_model_v1.2.3_20250115.pth

# 格式说明：{项目名}_v{主版本}.{次版本}.{修订号}_{日期}.{扩展名}

3.4.2 元数据记录

每次保存模型时，同步记录以下元数据到 JSON 或数据库：

{
  "model_id": "fraud_detector_v1.2.3",
  "version": "1.2.3",
  "created_at": "2025-01-15T10:30:00Z",
  "algorithm": "IsolationForest",
  "hyperparameters": {
    "n_estimators": 100,
    "contamination": 0.05,
    "max_samples": 256
  },
  "training_metrics": {
    "precision": 0.92,
    "recall": 0.87,
    "f1_score": 0.89
  },
  "feature_columns": ["amount", "frequency", "location_risk", ...],
  "training_data_range": "2024-10-01 ~ 2024-12-31",
  "file_path": "models/fraud_model_v1.2.3_20250115.pkl",
  "checksum": "sha256:abc123..."
}

3.4.3 版本目录结构

models/
├── v1.0.0/
│   ├── fraud_model_v1.0.0_20241001.pkl
│   └── metadata_v1.0.0.json
├── v1.1.0/
│   ├── fraud_model_v1.1.0_20241115.pkl
│   └── metadata_v1.1.0.json
├── v1.2.0/
│   ├── fraud_model_v1.2.0_20241220.pkl
│   └── metadata_v1.2.0.json
├── v1.2.1/
│   ├── fraud_model_v1.2.1_20250105.pkl
│   └── metadata_v1.2.1.json
├── v1.2.2/
│   ├── fraud_model_v1.2.2_20250110.pkl
│   └── metadata_v1.2.2.json
├── v1.2.3/          ← 当前生产版本
│   ├── fraud_model_v1.2.3_20250115.pkl
│   └── metadata_v1.2.3.json
├── production_symlink → v1.2.3/   # 软链接指向当前生产版本
└── staging_symlink → v1.2.2/      # 预发布环境版本

3.5 序列化与版本管理流程

下图展示了从模型训练到版本化存储的完整流程：

3.6 生产环境注意事项

• 环境一致性：模型训练环境与推理环境的 Python、sklearn、PyTorch 版本应保持一致，避免因 API 变更导致加载失败。
• 文件完整性校验：在加载模型前，计算文件的 SHA256 校验和并与元数据记录比对，防止文件损坏或篡改。
• 模型注册中心：在微服务架构中，建议使用 MLflow、ModelDB 或自建模型注册中心来管理模型版本、元数据和部署状态。
• A/B 测试支持：版本管理应支持同时部署多个模型版本，通过流量路由实现 A/B 测试和灰度发布。
• 自动回滚机制：当新版本模型检测性能下降或引发异常时，应能自动回滚到上一个稳定版本。