4. 特征回放概念：回放的定义、回放的目的与在线服务的区别

4.1 特征回放的定义

特征回放（Feature Replay / Feature Backfill） 是指将历史上某个时间点的原始数据，按照当前（或指定）的特征计算逻辑重新加工，生成与当时在线请求完全一致的特征向量的过程。其核心公式可概括为：

特征回放结果 = f(历史原始数据, 当前特征逻辑, 时间戳对齐)

回放不是简单的数据拷贝，而是对历史数据的“再计算”。它要求特征计算引擎能够精确还原出在历史时刻，如果使用当前的特征工程代码，会产出什么样的特征值。

4.2 特征回放的目的

特征回放在机器学习工作流中承担三个核心目的，分别对应模型生命周期的不同阶段：

4.2.1 模型训练

回放为离线训练提供大规模的历史特征样本。训练数据需要覆盖足够长的时间跨度（如7天、30天），且特征值必须与线上请求时刻对齐，避免数据泄露（Data Leakage）。例如，计算用户“过去1小时点击次数”时，回放必须使用该请求发生时刻之前的数据，而非全量数据。

4.2.2 A/B测试

在特征工程迭代中，A/B测试需要对比新旧特征逻辑的效果。通过回放，可以在不干扰线上流量的情况下，用同一批历史请求分别计算旧特征和新特征，然后训练模型并评估指标差异。这种方式避免了线上分流带来的流量成本和风险。

4.2.3 线上仿真

线上仿真（Shadow Testing / Replay Testing）是回放最接近生产环境的用途。它将线上真实请求的日志作为输入，通过特征回放管道重新计算特征，并与线上实际产出的特征进行比对。仿真回放关注的是：

• 特征一致性： 回放结果与线上结果是否完全一致？
• 延迟分布： 回放管道的P99延迟是否满足线上要求？
• 资源消耗： 回放过程中的CPU、内存、IO是否在预期范围内？

4.3 回放与在线服务的区别

特征回放虽然复用了在线特征逻辑，但在架构、数据源、延迟要求和一致性模型上存在本质差异。下表从多个维度进行对比：

4.4 特征回放架构示意

下图展示了特征回放与在线服务在架构层面的核心差异。在线服务从实时数据源获取特征，而回放系统从历史存储中读取数据，并通过时间戳对齐引擎还原历史状态。

4.5 回放一致性等级

根据业务场景的不同，特征回放对一致性的要求可分为三个等级：

1. 精确回放（Exact Replay）： 回放结果必须与线上结果完全一致，适用于模型训练和A/B测试。要求特征逻辑、依赖数据、时间窗口完全对齐。
2. 近似回放（Approximate Replay）： 允许微小偏差（如浮点精度、统计近似），适用于大规模离线分析或探索性实验。
3. 语义回放（Semantic Replay）： 只保证特征语义一致（如“用户活跃度”这个特征的含义一致），不要求数值完全一致，适用于跨版本特征对比。