3. 稳定性核心指标：系统可用性（SLA）、延迟（P99/P999）、吞吐量（TPS）、错误率、数据一致性
在实时风控场景中，稳定性是比功能正确性更优先的运维底线。一次交易巡检如果因为系统抖动而漏过欺诈交易，或因为延迟过高导致用户超时拒付，其损失往往远超模型误杀。本节围绕五个核心维度，建立可量化、可巡检的稳定性指标体系。
3.1 指标全景与巡检优先级
五个指标并非并列关系，而是构成一个“可用性→性能→质量”的递进监控层次。下表给出每个指标的定义、巡检频率与典型阈值：
| 指标 | 定义 | 巡检频率 | 典型阈值（实时风控） |
|---|---|---|---|
| 系统可用性（SLA） | 服务正常响应请求的时间占比 | 每分钟 / 每5分钟 | ≥ 99.95%（月累计） |
| 延迟（P99 / P999） | 最慢 1% / 0.1% 请求的响应时间 | 每分钟 | P99 ≤ 200ms，P999 ≤ 500ms |
| 吞吐量（TPS） | 每秒成功处理的事务数 | 每分钟 | ≥ 峰值预估 × 1.2 冗余 |
| 错误率 | 返回非 2xx / 超时 / 异常的交易占比 | 每分钟 | ≤ 0.1%（不含限流） |
| 数据一致性 | 风控决策结果与数据库/缓存最终一致 | 每10分钟 / 事件驱动 | 不一致记录 = 0 |
3.2 系统可用性（SLA）—— 风控的生命线
SLA 通常以“9”的个数衡量：99.9%（三个9）允许月宕机约 43 分钟，99.95%（三个半9）允许约 21 分钟。实时风控系统建议采用 99.95% 作为巡检红线。
- 巡检方式： 健康检查端点（/health 或 /actuator/health）每 30 秒探测一次，连续 3 次失败即记为一次“不可用分钟”。
- 常见陷阱： 只监控主服务而忽略依赖的 Redis、Kafka、数据库。风控链路中任一依赖不可用，SLA 都应降级计算。
- 巡检动作： 当 SLA 低于阈值时，自动触发降级预案（如切换到静态规则库或拒绝高风险交易）。
3.3 延迟（P99 / P999）—— 用户体验与超时风险
平均延迟（Avg Latency）在风控场景中具有欺骗性：即使平均只有 50ms，P99 可能已经飙升到 800ms，导致大量交易在网关层超时。因此巡检必须盯住 尾部延迟。
| 分位点 | 含义 | 典型巡检阈值 | 超限常见原因 |
|---|---|---|---|
| P50 | 一半请求在此值以下 | ≤ 50ms | 正常波动 |
| P99 | 最慢 1% 的请求 | ≤ 200ms | GC 停顿、缓存穿透、慢查询 |
| P999 | 最慢 0.1% 的请求 | ≤ 500ms | 网络抖动、资源争抢、Full GC |
3.4 吞吐量（TPS）—— 容量水位与突增预警
TPS 反映系统当前的处理能力。巡检时关注两个维度：
- 绝对值： 当前 TPS 是否接近或超过压测得到的最大 TPS（建议保留 20% 冗余）。
- 变化率： TPS 在 5 分钟内突降超过 50% 或突增超过 100%，都需要立即排查。
TPS 突降通常意味着服务阻塞或依赖故障；突增则可能遭遇流量攻击或营销活动，需要触发弹性伸缩或限流。
3.5 错误率与数据一致性—— 质量底线
错误率 包括 HTTP 5xx、业务异常（如规则引擎执行失败）、超时。巡检时需区分“可预期错误”（如限流返回 429）和“非预期错误”。非预期错误率应严格 ≤ 0.1%。
数据一致性 是风控特有的稳定性指标。风控决策通常先写入缓存再异步落库，若缓存与数据库最终不一致，可能导致同一笔交易被重复放行或重复拦截。巡检方式为：
- 每 10 分钟扫描最近 5 分钟的交易，对比缓存决策结果与数据库最终结果。
- 不一致记录数 > 0 即触发告警，并自动执行补偿任务。
3.6 稳定性指标巡检流程（SVG）
下图展示了一次完整的稳定性巡检周期，从指标采集到告警与降级：
3.7 指标联动分析：一个真实巡检案例
某次巡检发现 P99 延迟从 120ms 飙升到 450ms，但 SLA 仍为 99.98%。如果只看 SLA 会误判为“系统正常”。进一步排查发现：
- TPS 从 3200 突降到 1800，说明部分请求被阻塞。
- 错误率从 0.02% 升到 0.35%，超限。
- 数据一致性扫描发现 3 笔交易缓存与数据库结果不一致。
最终定位为 Redis 热 key 导致缓存服务抖动，触发降级后恢复。这个案例说明：单一指标正常不代表系统稳定，必须做多指标联合巡检。
3.8 稳定性指标与 PSI 的关联
PSI（群体稳定性指标）通常用于监控模型特征分布偏移，但系统稳定性指标同样需要 PSI 思维：
- 延迟分布 PSI： 对比今日与昨日 P50/P90/P99 的分布偏移，提前发现性能劣化趋势。
- 错误类型 PSI： 监控不同错误码（超时、限流、参数校验失败）的占比变化，识别潜在故障模式。
- TPS 时段 PSI： 对比每小时的 TPS 分布，发现异常流量模式。
将 PSI 引入稳定性巡检，可以实现从“阈值告警”到“趋势预警”的升级，这是高级风控运维的核心能力。