2. 特征质量规则基础：完整性、准确性、时效性、一致性定义

在 XGBoost 模型的灰度发布流程中，特征质量是决定模型能否稳定上线、避免线上事故的第一道防线。特征质量规则并非单一维度的检查，而是从 完整性、准确性、时效性、一致性 四个核心维度构建的立体化校验体系。本节将逐一给出严格定义，并说明其在灰度发布中的具体含义。

2.1 特征完整性

定义： 特征完整性衡量的是在指定时间窗口或样本集合内，特征值缺失的比例与缺失模式是否在可接受范围内。它回答的是“数据是否到齐”的问题。

在灰度发布场景下，完整性规则通常包含两个子维度：

• 缺失率阈值： 特征缺失值占总样本数的比例不得超过预设阈值（例如 < 5%）。
• 缺失模式检测： 特征缺失是否呈现系统性（如某个上游表全部为空、某个时段全部缺失），而非随机缺失。

2.2 特征准确性

定义： 特征准确性衡量的是特征值与其真实物理含义或标准值之间的偏离程度。它回答的是“数据是否正确”的问题。

准确性规则通常通过以下方式实现：

• 值域校验： 特征值是否在预期的业务范围内（如年龄 0-120、点击率 0-1）。
• 分布漂移检测： 特征分布（均值、方差、分位数）与基线期相比是否发生显著变化。
• 业务逻辑约束： 特征间是否存在违反业务常识的组合（如“下单时间”早于“注册时间”）。

# 准确性规则伪代码示例：值域 + 分布联合校验
def check_accuracy(feature_df, baseline_stats):
    # 1. 值域校验
    out_of_range = (feature_df['age'] < 0) | (feature_df['age'] > 120)
    if out_of_range.any():
        return False, "值域越界"

    # 2. 分布漂移校验（PSI 指标）
    psi = calculate_psi(feature_df['age'], baseline_stats['age_dist'])
    if psi > 0.1:
        return False, f"分布漂移过大, PSI={psi:.3f}"

    return True, "准确性校验通过"

2.3 特征时效性

定义： 特征时效性衡量的是特征从产生到可用于模型推理之间的时间延迟是否满足业务 SLA。它回答的是“数据是否够新”的问题。

在 XGBoost 在线推理场景中，时效性直接决定模型能否捕捉到最新的用户行为和系统状态。

2.4 特征一致性

定义： 特征一致性衡量的是同一特征在不同数据源、不同处理链路或不同时间点之间是否存在逻辑冲突或数值矛盾。它回答的是“数据是否对齐”的问题。

一致性规则在灰度发布中尤为重要，因为新旧模型、训练与推理环境往往使用不同的特征计算逻辑。

• 训练-推理一致性： 特征在训练时的计算逻辑与在线推理时的计算逻辑是否完全一致（特征工程代码对齐）。
• 多源一致性： 同一特征来自不同上游表时，值是否相同（如实时流与离线批处理产出的特征值对比）。
• 前后版本一致性： 特征在灰度发布前后，对于同一批历史数据，计算出的值是否一致（回归校验）。

# 训练-推理一致性校验示例
def check_train_infer_consistency(train_feat, infer_feat, sample_ids):
    # 对同一批样本 ID，对比训练特征和推理特征
    merged = pd.merge(train_feat, infer_feat, on='sample_id', suffixes=('_train', '_infer'))
    diff = merged['feature_train'] != merged['feature_infer']
    inconsistency_rate = diff.mean()
    if inconsistency_rate > 0.01:
        return False, f"训练-推理不一致率: {inconsistency_rate:.4f}"
    return True, "一致性校验通过"

2.5 四维规则关系总览

四个维度并非孤立存在，而是相互关联、层层递进的校验体系。下面的 SVG 图展示了它们在灰度发布流程中的协作关系。

2.6 灰度发布中的规则优先级

在实际的灰度发布流程中，四个维度的规则并非并行执行，而是存在明确的优先级顺序。错误的执行顺序会导致无效告警或漏报。

1. 第一优先级：完整性。 数据缺失会直接导致后续所有校验失去意义。完整性不通过，直接熔断。
2. 第二优先级：时效性。 数据延迟过高时，即使数据完整且准确，也无法反映当前系统状态。
3. 第三优先级：准确性。 在数据完整且及时的前提下，检查值域和分布是否正常。
4. 第四优先级：一致性。 最后校验训练与推理、多源之间的逻辑对齐，确保模型行为可预期。