1. 实时特征API概述

1.1 实时特征的定义

实时特征（Real-Time Feature）是指在数据产生后毫秒级或秒级内完成计算、更新并可供模型推理使用的特征值。与离线特征依赖批量调度（如 T+1 或小时级）不同，实时特征要求数据从产生到特征就绪的端到端延迟通常低于 500ms，且具备高可用、低抖动、可回放等工程特性。

1.2 API在特征工程中的作用

特征 API 是连接特征生产与模型推理的标准化接口层，承担以下关键职责：

• 特征抽象：将底层存储（Redis、HBase、本地缓存）与计算逻辑封装为统一 RESTful/gRPC 接口，屏蔽异构数据源差异。
• 实时计算：在 API 层完成窗口聚合、特征变换、ID 映射等轻量计算，避免模型侧重复实现。
• 流量治理：提供限流、熔断、降级、超时控制等能力，保障高并发下特征服务的稳定性。
• 版本管理：支持特征 Schema 演进、AB 实验分流、灰度发布，降低特征变更风险。

1.3 实时特征与离线特征的区别

实时特征与离线特征在时效性、计算模式、存储选型、一致性要求等方面存在本质差异。下表从 8 个维度进行对比：

1.4 实时特征系统架构总览

下图展示了实时特征 API 在完整特征工程链路中的位置与核心组件关系：

1.5 实时特征的核心挑战

构建高可靠的实时特征 API 需要解决以下关键问题：

1. 延迟与吞吐的平衡：在线推理场景通常要求 P99 延迟 < 200ms，同时支持数万 QPS 并发。需要在计算复杂度与响应速度之间做精细取舍。
2. 特征一致性与时效性：实时特征采用最终一致性模型，但必须保证同一请求内的多个特征来自相同时间窗口，避免“特征穿越”。
3. 容错与降级策略：当存储层抖动或计算任务延迟时，API 层需具备本地缓存降级、兜底值返回、熔断保护等能力。
4. 特征版本与灰度：特征 Schema 变更、计算逻辑升级需要支持平滑迁移，避免打断在线推理流量。

1.6 实时特征 API 的典型调用流程

一次完整的实时特征 API 调用包含以下步骤：

• Step 1：推理引擎发起特征请求，携带实体 ID（如 user_id、item_id）与特征名称列表。
• Step 2：API 网关进行身份认证、限流检查与路由分发。
• Step 3：特征 API 服务并行查询在线存储（Redis/本地缓存），获取已预计算的特征值。
• Step 4：对于需要实时计算的特征（如最近 5 分钟点击率），API 层调用轻量计算引擎完成窗口聚合。
• Step 5：特征值组装为统一格式的响应，返回给推理引擎。
• Step 6：异步记录调用日志与延迟指标，用于监控与特征回溯。