3. 特征服务核心概念：特征定义、特征来源与计算模式
在实时风控网关中，特征（Feature）是描述用户、设备、交易或环境某一维度属性的量化指标。特征服务是整个风控决策引擎的“数据底座”，其核心设计围绕三个维度展开：特征定义、特征来源（实时/离线）与特征计算模式（预计算/实时计算）。
3.1 特征定义：从业务语义到技术元数据
特征定义是将业务风控需求转化为可计算、可存储、可追溯的元数据描述。一个完整的特征定义包含以下要素：
| 定义维度 | 说明 | 示例 |
|---|---|---|
| 特征名称 | 全局唯一的业务标识 | user_login_fail_count_1h |
| 特征类型 | 数值型、枚举型、布尔型、文本型 | 数值型（int） |
| 聚合粒度 | 按用户、设备、IP、银行卡等维度聚合 | 用户ID |
| 时间窗口 | 统计的时间范围（滑动窗口/固定窗口） | 过去1小时 |
| 计算逻辑 | SQL、UDF、规则引擎表达式 | COUNT(DISTINCT ip) WHERE event='login_fail' |
| 数据源 | 原始事件流、离线数仓、外部接口 | kafka://user_behavior |
| 版本号 | 特征变更的版本管理 | v1.2.0 |
最佳实践：特征定义应纳入元数据中心统一管理，支持版本回溯与灰度发布。每次特征逻辑变更，必须生成新版本号，确保回放对比时能精确匹配历史特征值。
3.2 特征来源：实时与离线的双轨架构
特征来源决定了数据的时效性与计算成本。实时风控网关需要同时接入实时流与离线批两类数据源，形成互补的特征供给体系。
3.2.1 实时特征来源
- 事件流：用户行为日志、交易流水、设备指纹事件，通过 Kafka/Pulsar 接入。
- 缓存状态：Redis 中存储的计数器、布隆过滤器、最近N次记录。
- 外部API：三方风控评分、黑名单查询、地理位置逆编码。
3.2.2 离线特征来源
- 数仓表：用户画像标签、历史逾期统计、设备关联图谱。
- 批量计算：Hive/Spark 产出的日级/小时级聚合特征。
- 模型打分：离线训练的机器学习模型输出的概率分。
关键对比：实时特征强调低延迟（毫秒级），但计算复杂度受限；离线特征支持复杂聚合与全量扫描，但存在分钟级到小时级的延迟。特征服务必须通过特征回放机制，在离线环境下模拟实时特征的计算结果，才能进行有效的策略对比验证。
3.3 特征计算模式：预计算 vs 实时计算
特征计算模式决定了特征值在何时、以何种方式被产出。两种模式在延迟、吞吐、一致性上存在本质差异，特征服务必须同时支持两种模式，并通过回放对比验证其等价性。
3.3.1 预计算模式（Pre-computation）
- 计算时机：在事件到达之前，按固定周期（小时/天）批量完成。
- 存储方式：结果写入离线表或在线 KV 存储，查询时直接读取。
- 适用场景：用户画像标签、历史统计特征、模型批量打分。
- 优势：查询延迟极低（微秒级），支持复杂计算逻辑。
- 劣势：数据新鲜度受限于调度周期，无法反映最新状态。
3.3.2 实时计算模式（Real-time Computation）
- 计算时机：事件到达时触发，在毫秒级窗口内完成计算。
- 计算引擎：Flink/Spark Streaming 或自研的轻量级状态计算引擎。
- 适用场景：滑动窗口计数、最近N次行为序列、设备指纹实时匹配。
- 优势：数据新鲜度高，能捕捉秒级行为变化。
- 劣势：计算复杂度受限，状态管理成本高，存在 exactly-once 语义挑战。
| 对比维度 | 预计算模式 | 实时计算模式 |
|---|---|---|
| 计算触发 | 定时调度（T+1 / T+小时） | 事件驱动（毫秒级） |
| 查询延迟 | 微秒级（直接读结果） | 毫秒级（含计算时间） |
| 数据新鲜度 | 低（分钟~小时级延迟） | 高（秒级可见） |
| 计算复杂度 | 支持高复杂度（多表JOIN、复杂UDF） | 受限（单流、轻量聚合） |
| 状态管理 | 无状态（读离线表） | 有状态（需维护窗口/计数器） |
| 回放难度 | 低（直接重跑离线任务） | 高（需模拟时间窗口与状态） |
常见误区：不要试图用预计算模式覆盖所有实时场景，也不要用实时计算模式处理全量历史聚合。特征服务应提供混合计算路由：对时效性要求高的特征走实时计算，对复杂统计特征走预计算，并通过回放对比确保两种模式下同一特征值的一致性。
3.4 特征回放：连接预计算与实时计算的桥梁
特征回放（Feature Replay）是实时风控网关中用于离线验证的核心机制。其基本思想是：将历史时间段内的原始事件，按照实时计算模式重新“回放”一遍，生成与当时实时计算完全一致的特征值，再与预计算产出的特征值进行对比。
回放对比的核心价值：
- 一致性验证：确保预计算与实时计算对同一历史时刻产出的特征值一致。
- 策略回溯：在离线环境下验证新策略在历史数据上的表现，无需影响线上。
- 问题定位：当线上实时特征值与预期不符时，通过回放复现问题现场。
- 版本回归：特征逻辑变更后，回放历史数据验证新版本是否引入偏差。
特征回放的技术实现依赖于三个关键能力：事件时间对齐（使用事件时间而非处理时间）、状态快照恢复（从历史状态中重建窗口）、确定性计算（相同的输入必须产生相同的输出）。
实战建议：在特征服务设计初期，就为每个特征定义回放标识（replayable flag）和回放参数（时间窗口、聚合粒度、状态TTL）。这能大幅降低后续回放对比的接入成本，避免在需要回放时才发现特征定义不完整。