3. PSI 告警触发机制：监控系统架构、告警阈值配置、告警级别划分
PSI（Population Stability Index）告警是批次偏移监控的第一道防线。当模型评分或特征分布在生产批次与训练/验证批次之间出现显著偏移时，监控系统会依据预设阈值触发不同级别的告警。理解告警触发机制，是后续进行根因定位的前提。
3.1 监控系统架构
生产环境中的 PSI 监控通常采用分层架构，确保从数据采集到告警下发的全链路覆盖。典型架构包含以下四个核心层：
架构要点： 监控系统需要同时支持离线批量计算（T+1 报表）与实时流式计算（分钟级/小时级），以覆盖不同时效性的偏移场景。
各层职责与关键组件如下表所示：
| 架构层 | 核心职责 | 常用组件/技术 |
|---|---|---|
| 数据采集层 | 实时/准实时收集模型输入特征、评分输出及业务反馈 | Kafka、Flume、Logstash、Filebeat |
| 计算与存储层 | 对采集数据进行分箱、聚合，计算特征分布直方图 | Spark Streaming、Flink、Hive、ClickHouse |
| 指标计算与告警引擎层 | 计算 PSI 值，与阈值比对，判定告警级别并触发 | 自研 PSI 算子、Prometheus + Alertmanager |
| 通知与响应层 | 将告警信息推送至相关方，支持自动或手动处置 | 邮件网关、钉钉/企微机器人、PagerDuty |
3.2 告警阈值配置
PSI 阈值的设定直接影响告警的灵敏度与误报率。阈值配置需结合业务容忍度、特征稳定性历史数据以及模型风险等级进行差异化设置。以下是业界常用的阈值参考标准：
| PSI 区间 | 偏移程度 | 建议动作 |
|---|---|---|
| PSI < 0.1 | 无显著偏移 | 无需处理，持续监控 |
| 0.1 ≤ PSI < 0.2 | 轻度偏移 | 触发 警告 级别告警，需人工复核 |
| PSI ≥ 0.2 | 严重偏移 | 触发 严重 级别告警，立即介入排查 |
配置建议： 对于高优先级特征（如模型权重 Top 10 的特征），建议将警告阈值下调至 0.05，严重阈值下调至 0.1，以提前发现潜在风险。对于低风险特征，可适当放宽阈值，避免告警风暴。
阈值配置通常以配置文件或配置中心的形式管理，示例如下：
# PSI 告警阈值配置示例 (YAML 格式)
features:
- name: "age"
warning_threshold: 0.1
critical_threshold: 0.2
priority: "high"
- name: "income"
warning_threshold: 0.15
critical_threshold: 0.25
priority: "medium"
- name: "zip_code"
warning_threshold: 0.2
critical_threshold: 0.3
priority: "low"
global:
evaluation_window: "7d" # 评估窗口：最近7天
baseline_period: "30d" # 基准期：前30天
min_sample_size: 1000 # 最小样本量，低于此值不触发告警3.3 告警级别划分（警告 / 严重）
告警级别划分的目的是区分偏移的紧急程度，指导不同的响应流程。系统通常将 PSI 告警分为两个级别：警告（Warning） 和 严重（Critical）。
两个级别的核心差异体现在响应时效、处理流程和升级机制上：
| 维度 | 警告 (Warning) | 严重 (Critical) |
|---|---|---|
| PSI 范围 | 0.1 ≤ PSI < 0.2 | PSI ≥ 0.2 |
| 响应时效 | 24 小时内完成初步分析 | 2 小时内启动应急响应 |
| 通知对象 | 模型监控团队、特征负责人 | 模型监控团队 + 业务方 + 技术主管 |
| 处理流程 | 自动记录事件，人工排期排查 | 立即创建工单，阻断或回滚决策 |
| 升级机制 | 若 48 小时内未处理，自动升级为严重 | 若 4 小时内未解决，升级至部门负责人 |
| 示例动作 | 分析特征分布变化，评估是否需要重新训练 | 暂停模型服务，切换至备用模型或规则 |
避坑提醒： 切勿对所有特征使用统一的全局阈值。不同特征对模型输出的影响权重不同，且其自然波动范围也存在差异。例如，年龄特征的 PSI 在 0.15 可能属于正常季节性波动，而收入特征的 PSI 达到 0.15 则可能意味着客群结构发生实质性变化。建议基于每个特征的历史 PSI 分布，动态调整阈值。
在实际生产环境中，告警触发后还会进行告警去重和静默期管理，避免同一特征在短时间内重复触发大量告警，导致监控疲劳。静默期通常设置为 6 小时，即同一特征在触发告警后，6 小时内不再重复告警，除非级别发生变化（如从警告升级为严重）。