4. 数据质量维度：完整性、准确性、一致性、时效性、唯一性在Serving场景下的定义
在XGBoost模型Serving场景下，数据质量的定义与离线训练阶段有显著差异。离线阶段关注的是历史数据的统计分布与标签准确性；而在线Serving阶段，数据质量直接决定模型推理结果的可靠性，任何质量缺陷都可能在毫秒级内转化为业务损失。本章基于经典数据质量五维度框架，重新定义其在实时推理场景下的具体内涵与检测要点。
4.1 完整性（Completeness）
Serving场景定义：模型推理请求中所有必需特征字段均存在非空、非缺失的有效值，且特征向量维度与模型输入签名完全匹配。
- 字段级完整性：请求JSON/Proto中的每个特征键必须存在，且值不为null、NaN或空字符串。
- 维度级完整性：稀疏特征或Embedding向量的长度必须符合模型预期，不允许出现截断或填充不足。
- 时序完整性：对于依赖历史窗口的特征（如过去7天均值），时间窗口内的数据点必须达到最低覆盖率（如≥80%）。
Serving典型场景：用户画像特征中“最近一次登录时间”字段缺失，导致模型无法计算用户活跃度特征，最终推荐结果降级为默认值。
4.2 准确性（Accuracy）
Serving场景定义：特征值反映真实业务状态的程度，包括数值精度、枚举值合法性、以及特征值在业务语义上的正确性。
| 准确性子维度 | Serving检测方式 | 示例 |
|---|---|---|
| 数值精度 | 检查浮点数精度是否在模型容忍范围内（如float32截断） | 价格特征从double截断为float32，丢失0.01元精度 |
| 枚举合法性 | 校验枚举值是否在模型训练时定义的类别集合内 | 城市编码出现“999”，训练集中无此映射 |
| 业务语义正确性 | 基于业务规则或轻量级校验模型判断 | 用户年龄为200岁，明显超出合理范围 |
注意：Serving场景下准确性检测必须在毫秒级完成，通常采用白名单校验、范围校验和正则表达式，避免引入复杂的统计模型增加延迟。
4.3 一致性（Consistency）
Serving场景定义：同一业务实体在不同特征来源、不同时间窗口或不同请求中的特征值保持逻辑一致，不存在矛盾或冲突。
- 跨源一致性：实时特征（如Redis中的用户等级）与离线特征（如Hive中的用户等级）在同一时刻应保持一致。
- 时序一致性：特征值随时间变化应符合业务逻辑，如“累计消费金额”不应出现下降（除非有退款逻辑）。
- 逻辑一致性：特征之间的业务约束必须满足，如“婚姻状态=未婚”时“配偶年龄”不应有值。
4.4 时效性（Timeliness）
Serving场景定义：特征值从业务事件发生到可用于模型推理的时间延迟，必须在模型SLA允许的窗口内。
| 时效性等级 | 延迟要求 | 典型特征类型 | Serving影响 |
|---|---|---|---|
| T0（实时） | < 100ms | 用户实时点击、设备传感器 | 特征延迟直接导致推理结果过时 |
| T1（准实时） | < 1min | 交易状态、库存变化 | 可能产生短暂不一致，需容忍窗口 |
| T2（近线） | < 1h | 用户画像标签、聚合统计 | 延迟可接受，但需标记特征时间戳 |
| T3（离线） | > 1h | 历史行为统计、模型Embedding | 需配合实时特征做融合，避免主导 |
实践建议：在Serving特征管道中，为每个特征附加时间戳元数据（feature_timestamp），并在推理日志中记录特征时效性标签，便于事后排查因特征延迟导致的模型效果波动。
4.5 唯一性（Uniqueness）
Serving场景定义：同一业务实体（如用户、商品、订单）在同一请求上下文中，其特征值不应出现重复或冲突的版本。
- 请求内唯一性：单个推理请求中，同一特征名不应出现多次（如重复的key导致覆盖或合并异常）。
- 实体级唯一性：对于需要去重的特征（如用户最近浏览的商品ID列表），不应包含重复元素。
- 版本唯一性：当特征存在多版本（如A/B实验特征）时，同一请求只能使用一个版本的特征逻辑。
4.6 五维度综合对比
| 维度 | Serving核心关注点 | 检测时机 | 典型检测手段 | 失败处理策略 |
|---|---|---|---|---|
| 完整性 | 特征字段非空、维度匹配 | 请求解析阶段 | Schema校验、非空检查 | 填充默认值 / 拒绝请求 |
| 准确性 | 数值精度、枚举合法性 | 特征预处理阶段 | 范围校验、白名单匹配 | 截断 / 映射到未知类别 |
| 一致性 | 跨源/时序/逻辑无矛盾 | 特征聚合阶段 | 规则引擎、交叉比对 | 告警 / 降级到低一致性特征 |
| 时效性 | 特征延迟在SLA窗口内 | 特征获取阶段 | 时间戳比对、延迟监控 | 使用缓存快照 / 标记过期 |
| 唯一性 | 无重复key、无重复元素 | 请求解析与特征组装 | Key去重检测、列表去重 | 去重后保留最后值 / 报错 |
关键原则：Serving场景下的数据质量保障不是追求“绝对完美”，而是在延迟、成本和业务影响之间取得平衡。每个维度都应定义明确的SLA阈值，超过阈值时执行预定义的降级策略，而非阻塞所有推理请求。