4. 离线特征巡检架构设计：调度引擎、巡检任务、告警链路

离线特征巡检体系的核心在于将分散的、人工驱动的质量检查，转变为自动化、周期化、可预警的系统工程。本章聚焦于支撑这一转变的三大支柱：调度引擎（何时触发）、巡检任务（检查什么）与告警链路（如何通知）。三者协同，构成一个闭环的离线特征质量保障架构。

4.1 调度引擎：巡检的“心脏”

调度引擎负责按照预定的时间策略或事件触发条件，启动巡检任务。它决定了巡检的时效性与资源消耗的平衡。

下表对比了两种主流的调度触发模式：

4.2 巡检任务：可配置的检查单元

每个巡检任务都是一个独立的、可配置的检查单元。它定义了“检查什么”、“如何检查”以及“检查结果的标准”。

一个标准的巡检任务配置通常包含以下字段：

{
  "task_id": "psi_monitor_user_age_feature",
  "feature_name": "user_age",
  "check_type": "psi",
  "schedule_interval": "0 8 * * *",
  "baseline": {
    "source": "hive_table",
    "table": "dw.feature_baseline",
    "partition": "dt='2024-01-01'"
  },
  "current": {
    "source": "hive_table",
    "table": "dw.feature_daily",
    "partition": "dt='{{ ds }}'"
  },
  "threshold": {
    "psi_warn": 0.1,
    "psi_error": 0.25
  },
  "alert_channels": ["dingtalk", "email"]
}

4.3 告警链路：从发现到响应

告警链路负责将巡检结果转化为可执行的通知，并确保信息准确、及时地触达责任人。一个健壮的告警链路包含三个关键环节：

1. 结果评估：将巡检计算出的指标（如 PSI 值、空值率）与预设阈值进行比较，判定告警等级（Info / Warning / Critical）。
2. 告警聚合与去重：在短时间内，同一特征的多次告警应被聚合为一条，避免“告警风暴”。例如，使用滑动窗口（5 分钟内相同告警只发一次）。
3. 多渠道触达：根据告警等级，通过不同渠道通知。Critical 级别应同时触发电话、短信和即时通讯（如钉钉、飞书）。

下表展示了不同告警等级与通知策略的映射关系：

4.4 架构全景与关键设计决策

将调度引擎、巡检任务与告警链路整合，便构成了完整的离线特征巡检架构。在落地时，需要关注以下关键决策：

• 巡检结果存储：使用时序数据库（如 InfluxDB、Prometheus）存储历史 PSI 值，便于趋势分析与长期回溯。
• 巡检任务幂等性：确保同一任务在相同时间窗口内重复执行，产生相同的结果，避免重复告警。
• 灰度发布：新巡检任务上线时，先设置为“观察模式”（只记录不告警），验证无误后再开启告警。