4. 灰度场景分类：功能灰度、性能灰度、数据灰度与策略灰度

授信引擎的灰度测试并非单一维度的验证活动，而是围绕规则逻辑、系统容量、数据质量、决策策略四个核心风险域展开的系统工程。根据灰度验证的目标与风险类型，可将灰度场景划分为以下四大类：

4.1 场景分类总览

4.2 功能灰度：新规则与模型验证

功能灰度是灰度测试中最基础、最频繁的场景。当授信引擎引入新的决策规则、升级评分模型或调整规则优先级时，必须通过功能灰度验证逻辑正确性，避免因规则冲突或模型退化导致误授信。

• 新规则灰度：例如新增“多头借贷超过 5 家直接拒绝”规则。灰度期间需对比新旧规则下的拒绝率变化，并抽样检查被新规则拒绝的客户是否确实符合预期特征。
• 模型版本灰度：例如从 v2.0 升级到 v3.0 评分卡。需验证新模型分数分布是否合理，KS 值是否稳定，以及新旧模型对同一批样本的排序一致性。
• 规则优先级调整：例如将“黑名单命中”从第 3 条提前到第 1 条。需验证调整后是否出现预期外的短路逻辑。

4.3 性能灰度：高并发压测验证

授信引擎通常承载着核心交易链路，任何性能劣化都可能导致前端超时、订单流失甚至系统雪崩。性能灰度必须在真实流量或模拟高并发场景下验证系统的吞吐能力与响应延迟。

4.4 数据灰度：特征漂移验证

授信模型高度依赖输入特征的质量。当数据源切换、特征工程逻辑变更或埋点升级时，特征分布可能发生漂移，导致模型预测能力下降。数据灰度专门用于检测这种“静默风险”。

• PSI（群体稳定性指标）：计算灰度特征与基线特征的分布差异。PSI < 0.1 表示稳定，0.1 ~ 0.25 需关注，> 0.25 表示显著漂移。
• 空值率监控：新数据源可能引入更多空值，导致模型自动填充策略失效。灰度期间需逐特征对比空值率变化。
• 均值/方差对比：连续型特征（如收入、负债比）的均值和方差若发生显著偏移，可能意味着数据采集逻辑存在 bug。

# 特征漂移检测示例：PSI 计算逻辑
def calculate_psi(expected, actual, bins=10):
    # 将预期分布和实际分布分箱
    expected_percents = np.histogram(expected, bins=bins, range=(0, 1))[0] / len(expected)
    actual_percents = np.histogram(actual, bins=bins, range=(0, 1))[0] / len(actual)
    
    # 避免除零
    expected_percents = np.clip(expected_percents, 0.001, 0.999)
    actual_percents = np.clip(actual_percents, 0.001, 0.999)
    
    # 计算 PSI
    psi = np.sum((actual_percents - expected_percents) * np.log(actual_percents / expected_percents))
    return psi

# 灰度期间每 10 分钟计算一次 PSI
if psi_value > 0.1:
    trigger_alert("特征漂移告警：收入特征 PSI = {:.3f}".format(psi_value))

4.5 策略灰度：额度调整验证

额度调整直接影响用户授信结果与风险敞口。策略灰度需要在真实用户流量中验证新额度策略对通过率、平均额度、逾期率等业务指标的影响，确保调整在风险可控范围内。

4.6 四类灰度的协同与隔离

在实际项目中，四类灰度场景可能同时发生。例如：模型升级（功能灰度）可能伴随特征工程变更（数据灰度），同时额度策略也在调整（策略灰度）。此时必须遵循以下协同原则：

• 流量隔离：每类灰度使用独立的流量标签（如 header 中的 x-gray-type），确保不同灰度实验的流量不会互相污染。
• 指标隔离：功能灰度关注规则命中率，数据灰度关注 PSI，策略灰度关注业务指标，性能灰度关注系统指标。监控大盘需按灰度类型分屏展示。
• 回滚优先级：当多个灰度同时出现异常时，优先回滚策略灰度（直接影响用户资金），其次回滚功能灰度（可能产生错误决策），最后回滚数据灰度（影响模型精度但通常不直接导致资金损失）。