1. 风控特征概述
1.1 特征在风控系统中的角色
在实时风控系统中，特征（Feature）是从原始业务数据中提取的、用于描述用户行为或交易属性的量化指标。它是风控决策引擎的“燃料”——没有高质量的特征，再先进的模型也无法准确识别欺诈。
特征在风控架构中承担三个核心角色：
- 信号载体：将用户注册、登录、交易等原始事件转化为可计算的数值或标签。
- 决策依据：规则引擎和机器学习模型直接依赖特征值进行评分、拦截或放行。
- 监控对象：特征本身的延迟、缺失率、分布漂移是衡量系统健康度的关键指标。
关键认知： 特征质量直接决定风控效果的上限。特征工程与特征监控是风控架构师的两项核心能力。
1.2 特征生命周期
特征从设计到退役经历完整的生命周期管理。每个阶段都需要明确的规范和监控手段：
| 阶段 | 关键活动 | 产出物 | 常见问题 |
|---|---|---|---|
| 1. 设计 | 业务场景分析、特征定义、口径对齐 | 特征需求文档、口径说明 | 口径不一致、业务理解偏差 |
| 2. 开发 | 特征提取逻辑编码、单元测试 | 特征代码、测试用例 | 边界条件遗漏、性能瓶颈 |
| 3. 验证 | 离线回测、A/B 对比、覆盖率检查 | 验证报告、特征有效性指标 | 过拟合、数据穿越 |
| 4. 上线 | 灰度发布、实时监控接入 | 上线配置、监控看板 | 延迟突增、缓存击穿 |
| 5. 运维 | 延迟监控、缺失率告警、分布漂移检测 | 运维日报、告警记录 | 数据源变更、模型退化 |
| 6. 退役 | 下线评估、流量切换、历史数据归档 | 退役申请、归档记录 | 依赖遗漏、回滚困难 |
实践建议： 在特征上线前，务必完成“特征元数据注册”——记录特征名称、口径、数据源、负责人、预期延迟阈值。这是后续监控和告警调优的基础。
1.3 实时特征与离线特征的区别
实时风控系统同时依赖实时特征和离线特征，两者在计算时效、存储方式、使用场景上存在本质差异。错误混用会导致决策延迟或特征失效。
| 对比维度 | 实时特征 | 离线特征 |
|---|---|---|
| 计算时效 | 毫秒～秒级（在线服务调用） | 分钟～天级（批处理调度） |
| 数据源 | 消息队列（Kafka）、API 请求、Redis 缓存 | Hive、HDFS、离线数仓 |
| 存储介质 | Redis、内存 Grid、本地缓存 | HBase、ClickHouse、Parquet 文件 |
| 典型特征 | 过去 5 分钟登录次数、设备指纹、IP 风险分 | 近 30 天交易总额、历史逾期标签、用户画像 |
| 更新方式 | 增量流式更新（事件驱动） | 全量/增量批处理（定时调度） |
| 延迟要求 | P99 < 100ms（含网络开销） | 通常无硬性延迟要求 |
| 一致性模型 | 最终一致性（允许短暂不一致） | 强一致性（批处理保证） |
| 监控重点 | 延迟、吞吐、缓存命中率 | 数据完整性、产出时间、分区质量 |
常见陷阱： 将离线特征直接用于实时决策，会导致特征值陈旧（例如使用 T-1 的统计值判断当前交易），显著降低风控效果。实时特征必须保证时效性，离线特征只能用于非实时场景或作为模型训练的输入。
1.4 实时特征的核心挑战
实时特征在风控场景中面临三个核心挑战，也是后续告警调优与监控的重点：
- 延迟敏感性：实时决策通常要求在 100ms 内完成特征计算+模型推理。任何特征提取的延迟抖动都会直接影响用户体验和拦截时效。
- 数据一致性：分布式环境下，特征缓存与数据源之间可能存在短暂不一致。需要设计合理的缓存更新策略和降级方案。
- 特征漂移：用户行为模式、业务策略、外部环境的变化会导致特征分布发生漂移，使模型效果下降。需要持续监控特征分布的统计指标。
架构师视角： 实时特征系统的设计原则是“面向失败编程”——必须预设缓存失效、数据延迟、计算超时等异常场景，并为每个特征配置明确的降级策略和告警阈值。