4. PSI 指标原理：群体稳定性指标的数学定义、分箱策略与公式解读

群体稳定性指标（Population Stability Index, PSI）是衡量两个样本分布之间差异程度的量化工具。在设备指纹批次稳定性监控中，PSI 用于评估当前批次的特征分布相较于基准批次是否发生了显著偏移。其核心思想是通过比较每个分箱内实际占比与预期占比的差异，累加得到一个无量纲的稳定性分数。

4.1 PSI 的数学定义

PSI 基于信息论中的 KL 散度（Kullback-Leibler divergence） 的对称化变体。对于离散概率分布 P（基准分布）和 Q（当前分布），PSI 定义为：

PSI = Σ ( (Actual_i - Expected_i) * ln(Actual_i / Expected_i) )

其中：

• Expected_i：基准批次在第 i 个分箱中的样本占比（期望分布）。
• Actual_i：当前批次在第 i 个分箱中的样本占比（实际分布）。
• ln：自然对数，用于放大差异信号。

当两个分布完全一致时，每个分箱的 Actual_i = Expected_i，此时 ln(1) = 0，PSI = 0。PSI 值越大，表示分布偏移越严重。

4.2 分箱策略：从连续值到离散分箱

PSI 要求输入为离散分箱的占比数据。对于设备指纹中的连续型特征（如屏幕分辨率、CPU 核心数、时间戳差值），必须先将连续值映射到有限个区间（分箱）中。分箱策略直接影响 PSI 的稳定性和可解释性。

4.3 PSI 计算公式的逐步推导

为了深入理解 PSI 的数学本质，我们从 KL 散度出发进行推导。KL 散度衡量分布 Q 相对于分布 P 的信息损失：

KL(P || Q) = Σ P_i * ln(P_i / Q_i)

KL 散度是非对称的，即 KL(P || Q) ≠ KL(Q || P)。PSI 通过取两者的平均值实现对称化：

PSI = KL(P || Q) + KL(Q || P)
    = Σ P_i * ln(P_i / Q_i) + Σ Q_i * ln(Q_i / P_i)
    = Σ (P_i - Q_i) * ln(P_i / Q_i)

将符号统一为 Expected_i（基准占比）和 Actual_i（当前占比），得到标准 PSI 公式：

PSI = Σ (Actual_i - Expected_i) * ln(Actual_i / Expected_i)

当 Actual_i 或 Expected_i 为 0 时，对数无定义。实际工程中采用以下平滑处理：

if Expected_i == 0: Expected_i = 1e-6
if Actual_i == 0:   Actual_i   = 1e-6
# 然后归一化所有分箱占比，使其总和为 1

4.4 PSI 值的解读与阈值体系

PSI 是一个无量纲分数，行业通用解读标准如下：

在设备指纹场景中，建议根据特征重要性动态调整阈值：

• 核心特征（如 User-Agent、屏幕分辨率）：PSI > 0.05 即告警。
• 辅助特征（如时区偏移、字体列表）：PSI > 0.15 告警。
• 噪声特征（如 WebGL 渲染时间）：PSI > 0.30 告警。

4.5 PSI 计算流程与设备指纹监控架构

下图展示了从原始设备指纹数据到 PSI 监控输出的完整计算链路：

4.6 PSI 在设备指纹批次监控中的特殊考量

设备指纹特征与传统的风控评分卡特征存在显著差异，PSI 应用时需注意以下三点：

1. 特征维度爆炸： 设备指纹通常包含 50~200 个原始特征，每个特征单独计算 PSI 会产生大量指标。建议先对特征进行分组（如浏览器特征组、硬件特征组、网络特征组），计算组内平均 PSI 作为聚合监控指标。
2. 时间窗口选择： 基准批次应选用最近一次模型训练时的全量数据（通常 7~30 天）。当前批次建议使用滑动窗口（如最近 1 天或 1 小时），以捕捉快速漂移。
3. 特征相关性： 多个高度相关的特征同时发生 PSI 漂移时，可能指向同一个设备环境变化（如浏览器版本升级）。此时应合并解读，避免重复告警。

4.7 PSI 与其它分布差异指标的对比