4. 特征服务概述：特征工程在实时决策中的角色、特征存储概念、在线与离线特征一致性

在信用额度定价的流式决策场景中，模型推理的时效性直接决定了用户体验与业务风险控制能力。特征工程不再仅仅是离线批处理阶段的“数据加工车间”，而是需要同时支撑离线训练与在线推理的实时基础设施。本章将深入剖析特征工程在实时决策中的核心角色，系统介绍特征存储（Feature Store）的概念，并重点解决在线与离线特征一致性的关键挑战。

4.1 特征工程在实时决策中的角色

传统的特征工程通常以离线批处理方式运行，生成训练数据集后便与模型一同部署。但在流式决策中，特征工程必须从“一次性加工”转变为“持续服务”。其角色体现在以下三个层面：

• 实时特征计算：在毫秒级延迟内，从实时数据流（如交易事件、用户点击、设备指纹）中提取统计量、聚合值、时序特征。
• 特征复用与共享：同一特征（如“过去30天平均消费金额”）在离线训练与在线推理中由同一套逻辑生成，避免重复开发与口径差异。
• 特征生命周期管理：包括特征的注册、版本控制、监控、回滚与废弃，确保模型依赖的特征始终可追溯、可复现。

4.2 特征存储（Feature Store）概念

特征存储是一个专门用于管理、存储、共享和提供特征数据的中央化平台。它解决了传统特征工程中“特征孤岛”与“训练/推理不一致”的痛点。一个完整的特征存储通常包含以下核心组件：

特征存储的核心价值在于：一次定义，多处使用。特征的计算逻辑在特征注册表中统一定义，离线批处理与在线流处理共享同一份逻辑代码，从根本上消除特征口径不一致的问题。

4.3 在线与离线特征一致性

在线与离线特征一致性是特征存储能否成功落地的关键指标。如果训练时使用的特征分布与推理时不一致，模型性能将显著下降，这种现象被称为训练-推理偏差（Training-Serving Skew）。在信用额度定价中，这种偏差可能导致模型对高风险用户定价过低，或对低风险用户定价过高。

4.3.1 一致性的三个维度

4.3.2 时间点正确性（Point-in-Time Correctness）

时间点正确性是保证时间一致性的核心原则。它要求：在生成训练样本时，每个样本的特征值必须严格使用该样本对应时间点之前的数据计算，绝不能使用未来的信息。在流式推理中，这一原则天然成立，因为实时特征只能基于已发生的事件计算。但在离线训练中，如果不加注意，很容易因为数据拼接不当而引入未来信息。

4.3.3 一致性保障实践

在 Spark 与特征服务集成中，保障在线与离线特征一致性的最佳实践包括：

1. 共享特征定义：使用特征注册表中的统一 SQL 或 Python 函数定义特征逻辑，离线训练与在线推理均引用同一份定义。
2. 离线回放（Offline Replay）：将实时数据流的历史数据回放到特征计算引擎中，生成与在线存储结构完全一致的离线特征表。
3. 一致性校验：定期对离线特征表与在线特征存储中的最新数据进行抽样对比，检查分布差异与数值偏差。
4. 特征版本对齐：模型训练时记录所使用的特征版本号，在线推理时加载相同版本的特征逻辑。

4.4 特征服务在信用额度定价中的典型流程

结合上述概念，一个基于特征服务的信用额度定价流式决策流程通常包含以下步骤：

• 步骤1：用户在 App 发起额度调整请求，事件进入 Kafka 实时流。
• 步骤2：Spark Structured Streaming 作业消费事件，调用特征服务 API 获取用户实时特征（如近7天消费、当前负债、收入等级）。
• 步骤3：特征服务从在线特征存储（Redis）中读取最新特征值，若缺失则触发实时计算。
• 步骤4：模型服务接收特征向量，运行定价模型，输出建议额度。
• 步骤5：决策结果写回 Kafka，同时更新在线特征存储中的衍生特征。
• 步骤6：离线管道定期从 Kafka 拉取数据，使用与在线相同的特征逻辑生成训练样本，存入离线特征存储。