2、特征监控体系设计
特征监控体系是实时风控网关的“仪表盘”与“告警中枢”。没有体系化的监控，特征退化、数据延迟、服务抖动等问题会在生产事故爆发后才被发现。本节从监控目标定义出发，逐层拆解监控维度与指标体系，形成可落地、可量化的监控框架。
2.1 监控目标定义
特征监控体系的核心目标可归纳为四个层级：
| 目标层级 | 定义 | 关键问题 |
|---|---|---|
| 可用性 | 特征服务与计算链路持续可用，不因单点故障导致特征缺失 | 网关是否存活？特征源是否可达？ |
| 时效性 | 特征从数据产生到消费端可见的端到端延迟在阈值内 | 实时特征是否在窗口内完成计算？ |
| 准确性 | 特征值符合预期分布，无异常突变、空值或格式错误 | 特征覆盖率是否下降？错误率是否飙升？ |
| 稳定性 | 特征吞吐与资源消耗在合理区间，无剧烈抖动 | QPS 是否突降？CPU/内存是否异常？ |
实战建议：监控目标定义阶段应同步产出 SLO（服务等级目标）。例如：特征端到端延迟 P99 ≤ 200ms，特征覆盖率 ≥ 99.5%，错误率 ≤ 0.1%。SLO 是后续告警阈值与复盘基准的依据。
2.2 监控维度划分
基于上述目标，我们将监控维度划分为四个核心象限：延迟、吞吐、错误率、特征覆盖率。每个维度对应不同的观测视角与告警场景。
四维监控模型：延迟反映“快不快”，吞吐反映“多不多”，错误率反映“稳不稳”，特征覆盖率反映“全不全”。四者缺一不可。
2.2.1 延迟（Latency）
延迟是实时风控的生命线。特征计算超时直接导致决策降级或超时拒绝。延迟监控需覆盖以下节点：
- 特征获取延迟：从请求到达网关到特征值就绪的时间。
- 特征计算延迟：实时特征（如滑动窗口计数、比率计算）的执行耗时。
- 特征传输延迟：特征数据在内部 RPC 或消息队列中的传输耗时。
- 端到端延迟：从数据源产生到特征被决策引擎消费的完整链路耗时。
2.2.2 吞吐（Throughput）
吞吐监控用于评估特征网关的容量水位与扩容依据。核心指标包括：
- QPS（每秒查询数）：特征网关每秒处理的请求数量。
- 特征计算并发数：同时进行的特征计算任务数。
- 消息队列积压量：待处理的特征消息数量，反映下游消费能力。
- 资源利用率：CPU、内存、网络带宽与特征吞吐的关联曲线。
2.2.3 错误率（Error Rate）
错误率是特征质量的直接体现。需区分错误类型并分别监控：
| 错误类型 | 示例 | 监控粒度 |
|---|---|---|
| 超时错误 | 特征计算超过 500ms 返回超时 | 按特征 ID、按网关节点 |
| 数据源错误 | Redis 连接失败、HBase 超时 | 按数据源类型 |
| 格式错误 | 特征值类型异常、JSON 解析失败 | 按特征名称 |
| 降级错误 | 熔断降级后返回默认值 | 按降级策略 |
2.2.4 特征覆盖率（Feature Coverage）
特征覆盖率衡量特征值的有效填充比例。低覆盖率意味着特征退化，可能导致模型效果衰减。
- 全局覆盖率：所有请求中成功获取到有效特征值的比例。
- 单特征覆盖率：每个特征独立统计的有效值比例。
- 特征组覆盖率：按业务场景（如设备指纹、IP 画像）聚合的覆盖率。
- 空值率与默认值率：特征值为 null 或使用默认值的比例。
2.3 监控指标体系
在四维监控维度下，进一步拆解为可量化的监控指标。指标分为基础指标与衍生指标两类：
2.3.1 基础指标（直接采集）
| 维度 | 指标名称 | 采集方式 | 单位 |
|---|---|---|---|
| 延迟 | 特征获取耗时 | SDK 埋点 / 中间件拦截 | ms |
| 延迟 | 特征计算耗时 | 函数内计时 | ms |
| 吞吐 | QPS | 计数器 / 滑动窗口 | req/s |
| 吞吐 | 消息队列积压 | MQ 监控 API | 条 |
| 错误率 | 超时错误数 | 异常捕获 + 计数器 | 次/min |
| 错误率 | 数据源错误数 | 连接池监控 | 次/min |
| 覆盖率 | 特征有效值计数 | 特征值非空校验 | 次/min |
| 覆盖率 | 特征默认值计数 | 默认值命中统计 | 次/min |
2.3.2 衍生指标（计算聚合）
- P50 / P95 / P99 延迟：基于特征获取耗时分布计算，用于评估长尾延迟。
- 错误率百分比：错误总数 ÷ 总请求数 × 100%，按时间窗口滑动计算。
- 特征覆盖率百分比：有效特征值数 ÷ 应返回特征值总数 × 100%。
- 吞吐变化率：当前 QPS 与历史同期 QPS 的比值，用于检测突增或突降。
- 资源效率比：QPS ÷ CPU 利用率，衡量单位资源的处理能力。
避坑提示：不要只监控平均值。平均值会掩盖长尾问题。必须同时监控 P99 延迟与最大延迟。例如：平均延迟 50ms 但 P99 延迟 800ms，说明存在严重的长尾抖动，需要排查慢特征或资源争抢。
2.4 监控指标与 SLO 映射
将监控指标与 SLO 目标对齐，形成可观测的“健康度仪表盘”：
| SLO 目标 | 核心指标 | 告警阈值 | 严重级别 |
|---|---|---|---|
| 端到端延迟 P99 ≤ 200ms | 特征获取耗时 P99 | > 200ms 持续 1min | P1 严重 |
| 特征覆盖率 ≥ 99.5% | 全局特征覆盖率 | < 99.5% 持续 5min | P2 重要 |
| 错误率 ≤ 0.1% | 错误率百分比 | > 0.1% 持续 3min | P1 严重 |
| 吞吐波动 ≤ ±30% | 吞吐变化率 | 变化率 > 30% 或 < -30% | P3 警告 |
落地要点：监控指标应接入统一的可观测平台（如 Prometheus + Grafana），每个指标配置独立的告警规则与通知渠道。特征覆盖率与错误率建议配置“多维度组合告警”，例如：当特征覆盖率低于 99% 且错误率高于 0.5% 时，自动触发 P0 紧急告警并拉起应急响应流程。