3、风控特征体系概述：常用风控特征类型与分布漂移典型场景
在实时风控系统中，特征（Feature）是描述用户、设备、行为或交易某一维度属性的量化指标。特征的质量与稳定性直接决定了风控模型的区分能力与泛化效果。本章将系统梳理风控特征的四大核心类型，并深入分析特征分布漂移的典型场景，为后续 PSI 计算与应用奠定基础。
3.1 常用风控特征类型
风控特征按数据来源与业务含义，通常划分为以下四大类：
| 特征类型 | 核心维度 | 典型特征示例 | 数据来源 |
|---|---|---|---|
| 身份特征 | 用户注册信息、实名认证、关联图谱 | 注册时长、身份证号归属地、手机号在网时长、多头借贷数 | 用户注册表、第三方征信、黑名单库 |
| 设备特征 | 硬件指纹、操作系统、网络环境、应用列表 | 设备 ID（IMEI/IDFA）、是否越狱/ROOT、IP 归属地、代理/VPN 标志 | SDK 采集、设备指纹服务、网络层日志 |
| 行为特征 | 操作路径、时间序列、交互模式、生物行为 | 页面停留时长、点击频率、输入速度、滑动轨迹、键盘敲击间隔 | 埋点日志、前端事件流、行为序列模型 |
| 交易特征 | 金额、频次、对手方、时空属性、历史模式 | 单笔金额、日累计交易笔数、收款方黑名单命中、交易间隔 | 交易流水表、风控引擎实时计算、历史统计 |
实践要点：在实时风控场景中，设备特征与行为特征对时效性要求最高，通常需要在毫秒级完成采集与计算；而身份特征与交易特征则更依赖离线数据仓库的批量加工与实时特征服务（Feature Store）的联合查询。
3.2 特征分布漂移的典型场景
特征分布漂移（Feature Distribution Drift）是指模型上线后，输入特征的统计分布随时间发生显著变化，导致模型预测能力下降。在实时风控场景中，以下四类漂移最为常见：
- 周期性漂移：受节假日、大促活动、发薪日等时间规律影响，交易量、金额分布出现规律性波动。例如双十一期间单笔金额分布整体右移。
- 群体性漂移：新用户群体涌入（如渠道投放变更）、老用户流失，导致用户画像结构改变。例如新渠道带来的用户年龄分布偏年轻，设备型号集中。
- 对抗性漂移：黑产团伙针对风控规则进行策略性规避，主动改变行为模式或设备指纹。例如使用模拟器代替真机、更换 IP 代理池。
- 数据链路漂移：上游数据源变更、埋点 SDK 升级、特征计算逻辑调整，导致特征值分布发生非业务性偏移。例如设备指纹算法版本升级后，IMEI 采集率下降 5%。
关键认知：并非所有分布变化都是漂移。只有那些导致模型预测误差显著增大的分布变化，才需要触发 PSI 告警与模型迭代。因此，PSI 的阈值设定需要结合模型性能监控（如 KS、AUC 衰减）进行联合判断。
3.3 风控特征体系与漂移场景的映射关系
下图展示了四大特征类型与典型漂移场景之间的对应关系，帮助理解不同特征在实时风控中面临的稳定性风险：
3.4 漂移检测的优先级矩阵
在实际工程中，并非所有特征都需要同等频率的 PSI 监控。建议根据特征类型与漂移风险等级，建立差异化的监控策略：
| 特征类型 | 漂移风险等级 | 建议监控频率 | 典型 PSI 阈值 |
|---|---|---|---|
| 身份特征 | 中 | 每日 | 0.1 |
| 设备特征 | 高 | 每小时 | 0.15 |
| 行为特征 | 高 | 每小时 | 0.15 |
| 交易特征 | 中 | 每日 | 0.1 |
避坑提示：不要对所有特征使用统一的 PSI 阈值。设备特征与行为特征由于对抗性漂移频繁，阈值可适当放宽（如 0.15~0.2），避免频繁误报；而身份特征与交易特征对模型稳定性影响更大，阈值应更严格（如 0.05~0.1）。阈值设定需结合业务容忍度与模型性能衰减曲线进行调优。
3.5 特征分布漂移的实时检测流程
在实时风控系统中，特征分布漂移的检测通常遵循以下步骤：
- 定义参考窗口：选取历史稳定时段（如过去 7 天）的特征分布作为基准分布。
- 定义监测窗口：选取当前实时时段（如最近 1 小时）的特征分布作为待测分布。
- 计算 PSI：对每个特征，按分箱（通常 10~20 等频分箱）计算 PSI 值。
- 阈值告警：当 PSI 超过预设阈值时，触发告警并记录漂移特征列表。
- 根因分析：结合业务日志、埋点变更记录、渠道投放数据，定位漂移原因。
- 模型调整：根据漂移严重程度，决定是否需要重训模型、特征回滚或规则临时降级。
工程建议：在实时计算框架（如 Flink、Spark Streaming）中，PSI 计算可设计为滑动窗口模式，每 10 分钟计算一次最近 1 小时与参考窗口的分布差异，并将结果写入时序数据库（如 InfluxDB、Prometheus），便于可视化监控与告警联动。