2. Serving数据链路全景：从数据采集、特征加工到模型推理的完整链路及质量风险点

风控模型在Serving（在线服务）阶段的数据链路，是将原始业务事件转化为模型打分结果的完整管道。与离线训练不同，Serving链路对延迟、稳定性和数据一致性有极高要求。任何一个环节的数据质量缺陷，都会直接导致模型误判、拒绝误杀或通过漏杀，造成真金白银的损失。

2.1 完整链路总览：三大阶段与七个关键节点

一条标准的Serving数据链路可划分为数据采集、特征加工、模型推理三个阶段，每个阶段包含若干关键节点。下表梳理了各节点的核心职能与典型技术组件：

2.2 数据采集阶段：入口处的质量风险

数据采集是链路的第一道关卡，也是最容易引入“脏数据”的环节。此阶段的质量问题往往具有上游传染性，一旦进入后续环节，排查成本呈指数级上升。

2.2.1 事件接入风险

• 字段缺失与类型错乱： 上游升级接口后未同步更新Schema，导致必填字段（如user_id）为空，或金额字段由数字变为字符串。
• 时间戳异常： 客户端时间不同步导致事件时间戳超前或滞后，影响时间窗口特征的准确性。
• 重复事件： 网络重试或客户端重发导致同一事件被多次消费，造成特征值被重复累加。

2.2.2 协议解析与校验风险

• 反序列化失败： 恶意构造的Payload或编码不一致导致解析异常，引发链路熔断。
• 跨语言精度丢失： 大整数（如订单号）在JSON解析时被截断，导致后续关联查询失败。

2.3 特征加工阶段：计算逻辑与数据时效的博弈

特征加工是Serving链路中最复杂、最易出错的环节。它既要保证计算逻辑与离线训练一致，又要满足毫秒级延迟要求。

2.3.1 特征抽取风险

• 字段映射错误： 离线特征脚本使用字段A，在线代码误用字段B，导致特征值恒为默认值。
• 外部数据源超时： 查询用户画像或黑名单时，外部接口响应超时，特征被填充为默认值（如0或空字符串），模型决策失真。

2.3.2 特征聚合与衍生风险

• 时间窗口边界不一致： 离线使用自然日（00:00-24:00），在线使用滑动窗口（过去24小时），导致统计值差异。
• 缓存穿透与雪崩： 高并发下Redis缓存失效，大量请求同时回源数据库，导致特征获取延迟飙升。
• 特征穿越： 在线服务错误地使用了未来时间的数据（如提前加载了未完成的交易），造成模型“预知未来”的假阳性。

2.4 模型推理阶段：最后一公里的精度与稳定

模型推理是链路的终点，也是风险决策的最终输出点。此阶段的数据质量问题往往表现为“模型输入与训练时分布不一致”。

2.4.1 特征向量组装风险

• 特征顺序错乱： 模型训练时特征顺序为[A, B, C]，在线组装时顺序为[A, C, B]，导致模型输出完全错误。
• 缺失值填充策略不一致： 离线训练对缺失特征填充中位数，在线服务填充0，造成分布偏移。
• 特征归一化参数未同步： 在线服务使用了过期的均值和方差，导致特征值被错误缩放。

2.4.2 模型打分与决策风险

• 模型版本不一致： 在线服务加载的模型文件与离线评估的版本不同，导致分数分布偏移。
• 后处理逻辑偏差： 模型输出原始分数后，决策引擎的阈值映射表与离线定义不一致。

2.5 数据链路全景SVG：从事件到决策的完整流程

下图以端到端视角展示了Serving数据链路的完整流程，并标注了各环节的核心数据质量风险点（以红色警示图标标识）。

2.6 各环节数据质量风险点汇总

为便于团队快速定位与排查，下表将上述风险点按环节、风险类型、影响后果及推荐检测手段进行结构化整理：

2.7 链路质量保障的三大防线

基于上述风险分析，我们提炼出Serving数据链路质量保障的三大防线，作为后续章节展开的基础框架：

1. 第一防线：输入校验 —— 在数据采集入口进行严格的Schema校验、字段完整性检查和幂等性设计，拒绝“脏数据”进入链路。
2. 第二防线：计算一致性 —— 确保特征加工逻辑与离线训练完全一致，包括窗口定义、填充策略、归一化参数等，通过自动化比对工具持续验证。
3. 第三防线：输出验证 —— 在模型推理输出端进行分数分布监控、特征值范围校验和决策结果抽样复核，及时发现并阻断异常推理结果。