3. 批次稳定性概念

批次稳定性是设备指纹工程化落地的核心质量属性。在风控与数据分析场景中，设备指纹并非单点静态值，而是以“批次”为单位进行采集、聚合与监控。理解批次的概念、区分稳定性与一致性、识别批次漂移的典型场景，是构建PSI监控体系的前提。

3.1 批次的概念：版本、渠道、时间窗口

在设备指纹系统中，“批次”指在特定条件下采集的一组设备指纹样本。批次划分通常基于三个维度：版本、渠道、时间窗口。

3.2 稳定性与一致性的区别

在设备指纹工程中，“稳定性”与“一致性”经常被混用，但二者在监控目标与度量方式上有本质区别。

3.3 批次漂移的典型场景

批次漂移指设备指纹的分布特征在批次之间发生显著变化。以下四种场景在工程实践中最为常见：

1. 版本升级漂移：SDK升级后，采集逻辑或参数默认值变更，导致指纹分布整体偏移。例如，v2.3.1中屏幕分辨率字段使用screen.width，v2.4.0改为window.innerWidth，分布曲线随之改变。
2. 渠道差异漂移：同一版本在不同集成渠道（App原生 vs H5）中，由于浏览器环境或系统API可用性不同，部分指纹字段的缺失率或取值分布出现系统性差异。
3. 设备环境漂移：操作系统版本更新、浏览器补丁、硬件驱动变更等外部因素，导致指纹采集结果发生渐进式变化。此类漂移通常缓慢但不可逆。
4. 数据质量漂移：采集链路上游出现故障（如网络超时、权限拒绝、SDK初始化失败），导致某类指纹字段的缺失率突然升高，分布形态畸变。

3.4 批次稳定性的工程意义

批次稳定性直接决定设备指纹在风控策略中的可用性。一个不稳定的批次会导致：

• 策略误杀：指纹分布偏移后，原有规则阈值失效，正常设备被误判为异常。
• 监控告警风暴：PSI持续超标引发大量无效告警，运维团队疲劳应对。
• 模型退化：基于历史指纹分布训练的机器学习模型，在漂移后的批次上预测精度下降。