2. 特征服务基础：定义、角色与存储区别

在反洗钱（AML）对照实验体系中，特征服务是连接离线特征工程与在线实时推理的关键中间层。本节将明确特征服务的核心定义、其在机器学习全链路中的角色定位，以及与特征存储的本质区别。

2.1 特征服务的定义

特征服务（Feature Service）是一个面向生产环境的特征管理中间件，它提供统一的特征计算、缓存、分发与版本管理能力，使模型在训练和推理阶段能够以低延迟、高一致性的方式获取所需的特征数据。

在AML场景中，特征服务需要处理以下典型特征类型：

• 交易特征：单笔金额、交易频次、交易对手分布、时间间隔
• 账户特征：账户余额、开户时长、历史预警次数、关联账户数
• 行为特征：登录IP变化、设备指纹、操作时段偏好、交易模式偏离度
• 网络特征：资金流转路径、团伙关联度、交易图结构指标

2.2 特征服务在机器学习中的角色

特征服务在ML全链路中扮演着“特征枢纽”的角色，其核心职责可归纳为以下四个维度：

2.3 特征服务与特征存储的区别

特征服务与特征存储（Feature Store）常被混淆，但二者在架构定位、功能范围和交付能力上存在本质差异。下表从多个维度进行对比：

2.4 特征服务在AML对照实验中的关键能力

基于上述定义与角色分析，特征服务在AML对照实验中必须具备以下关键能力：

1. 实验分流透明性：特征服务应感知实验分组标识，确保同一特征请求在不同实验组中返回一致的特征值（或按实验策略返回不同版本的特征逻辑）。
2. 特征一致性保障：训练时使用的特征计算逻辑必须与线上推理时完全一致，避免因特征计算差异导致实验结论失真。
3. 低延迟实时计算：AML场景中交易评分通常要求毫秒级响应，特征服务需支持高效的滑动窗口计算和缓存命中。
4. 特征版本可追溯：对照实验可能需要回溯历史特征版本，特征服务应提供版本快照和回滚能力。