4. 特征漂移与概念漂移：特征分布漂移 vs 模型预测漂移

在反欺诈图谱的实时监控体系中，漂移并非单一现象。根据漂移发生的对象不同，可将其分为特征漂移（Feature Drift）与概念漂移（Concept Drift）。两者在成因、检测方式及对模型的影响上存在本质区别，但又在欺诈演进过程中紧密关联。

4.1 特征分布漂移（Feature Drift）

特征漂移指模型输入特征的统计分布随时间发生变化，而输入与标签之间的映射关系（即业务规律）保持不变。在反欺诈图谱中，常见表现包括：

• 节点属性漂移：如设备指纹中“操作系统版本”的分布因新系统发布而改变；IP地址的地理位置分布因用户迁移而变化。
• 边属性漂移：如交易金额的均值或标准差上升；交易时间间隔的分布从集中变为分散。
• 图结构特征漂移：如平均节点度、聚类系数、连通分量大小等图拓扑指标发生变化。

4.2 概念漂移（Concept Drift）

概念漂移指特征与标签之间的映射关系发生变化，即 P(Y|X) 发生了改变。在反欺诈图谱中，这通常意味着欺诈团伙找到了绕过现有模型的新方法，或者业务政策调整导致正负样本定义发生变化。

概念漂移在反欺诈图谱中常表现为：

• 图模式迁移：原本被标记为欺诈的“星型转账模式”不再出现，取而代之的是“链式多跳转账”模式。
• 特征重要性翻转：原本高权重的“注册时间短”特征逐渐失效，而“设备关联数”成为新的强欺诈信号。
• 标签定义漂移：业务部门调整了“逾期”的判定标准，导致历史标签与当前标签不一致。

4.3 两者的区别与联系

特征漂移与概念漂移并非孤立存在，在反欺诈图谱中，它们通常呈现以下关系：

1. 因果链：特征漂移往往是概念漂移的前兆。当攻击者改变策略时，首先会体现在输入特征的分布变化上，随后才导致模型预测准确率下降。
2. 叠加效应：两者可能同时发生。例如，新渠道上线（特征漂移）的同时，欺诈团伙针对该渠道设计了新的攻击模式（概念漂移）。
3. 检测优先级：特征漂移更容易被早期发现（PSI监控），而概念漂移需要结合模型性能指标（如AUC、KS、召回率）才能确认。

4.4 反欺诈场景下的实践要点

在反欺诈图谱的实际监控中，区分特征漂移与概念漂移有助于制定差异化的应对策略：

• 仅特征漂移时：优先检查数据采集链路是否正常，是否需要更新特征工程（如重新分桶、归一化参数调整），通常无需立即重训模型。
• 仅概念漂移时：需深入分析欺诈模式变化，收集新样本，准备模型迭代或规则更新。
• 两者同时发生时：需先稳定特征分布（如通过特征对齐），再处理概念漂移，否则模型重训效果可能被特征漂移干扰。

4.5 代码示例：使用Python区分特征漂移与概念漂移

以下代码展示了如何通过PSI检测特征漂移，并通过模型误差率趋势判断概念漂移：

import numpy as np
import pandas as pd
from scipy.stats import ks_2samp

def calculate_psi(expected, actual, bins=10):
    """计算PSI（群体稳定性指标）"""
    expected = np.clip(expected, 1e-10, 1 - 1e-10)
    actual = np.clip(actual, 1e-10, 1 - 1e-10)
    psi = np.sum((actual - expected) * np.log(actual / expected))
    return psi

def detect_feature_drift(reference_data, current_data, feature_cols, threshold=0.1):
    """检测特征漂移：返回PSI超过阈值的特征列表"""
    drift_features = []
    for col in feature_cols:
        ref_hist, _ = np.histogram(reference_data[col], bins=10, density=True)
        cur_hist, _ = np.histogram(current_data[col], bins=10, density=True)
        psi = calculate_psi(ref_hist, cur_hist)
        if psi > threshold:
            drift_features.append((col, psi))
    return drift_features

def detect_concept_drift(model, X_ref, y_ref, X_cur, y_cur, threshold=0.05):
    """检测概念漂移：比较参考期与当前期的模型误差率"""
    ref_error = np.mean(model.predict(X_ref) != y_ref)
    cur_error = np.mean(model.predict(X_cur) != y_cur)
    error_change = cur_error - ref_error
    is_drift = error_change > threshold
    return is_drift, error_change

# 使用示例
# feature_drifts = detect_feature_drift(ref_df, cur_df, ['amount', 'device_count', 'degree'])
# concept_drift, delta = detect_concept_drift(model, X_ref, y_ref, X_cur, y_cur)
# print(f"特征漂移: {feature_drifts}")
# print(f"概念漂移: {concept_drift}, 误差变化: {delta:.3f}")