3. 实时特征计算原理

实时特征计算是风控网关的核心能力，它决定了从原始事件到可决策特征的时间延迟与计算精度。本章深入剖析特征提取、特征聚合、滑动窗口计算及特征存储选型四个关键环节，帮助你在架构设计中做出合理权衡。

3.1 特征提取：从原始事件到结构化特征

特征提取是将原始请求报文（HTTP/JSON/Protobuf）转化为风控模型可识别的数值或枚举字段的过程。提取方式分为三类：

3.2 特征聚合：从单点事件到统计特征

聚合特征是将多个事件按维度（用户、设备、IP）进行统计计算，形成比单点特征更具判别力的高阶特征。常见聚合算子包括：

• 计数类：COUNT、DISTINCT COUNT
• 数值类：SUM、AVG、MAX、MIN、STDDEV
• 比率类：成功率、失败率、通过率
• 序列类：LAST、FIRST、RATE、TREND

3.3 滑动窗口计算：时间维度的精确控制

滑动窗口定义了聚合特征的时间范围，直接影响特征的时效性和准确性。风控场景中常用的窗口类型如下：

滑动窗口的实现通常采用时间轮或跳表数据结构，以支持毫秒级的事件插入和过期删除。以下是一个基于时间轮的滑动窗口伪代码：

// 滑动窗口计数器（时间轮实现）
class SlidingWindowCounter {
    private final int windowSizeMs;      // 窗口大小（毫秒）
    private final int bucketCount;       // 桶数量
    private final AtomicLongArray buckets;
    private volatile long lastTick;

    public long incrementAndGet() {
        long currentTick = System.currentTimeMillis() / (windowSizeMs / bucketCount);
        rotateIfNeeded(currentTick);
        int index = (int) (currentTick % bucketCount);
        buckets.incrementAndGet(index);
        return getSum();
    }

    private void rotateIfNeeded(long currentTick) {
        if (currentTick - lastTick >= bucketCount) {
            // 清空过期桶
            for (int i = 0; i < bucketCount; i++) {
                buckets.set(i, 0);
            }
            lastTick = currentTick;
        }
    }

    private long getSum() {
        long sum = 0;
        for (int i = 0; i < bucketCount; i++) {
            sum += buckets.get(i);
        }
        return sum;
    }
}

3.4 特征存储选型：Redis vs HBase vs Flink状态

特征存储的选择直接影响聚合计算的性能、一致性和可扩展性。三种主流方案的对比如下：

3.5 实战选型决策树

在实际项目中，特征存储选型可遵循以下决策路径：

1. 窗口长度 < 1小时？ → 使用Redis，设置TTL自动过期。
2. 窗口长度 1小时 ~ 1天？ → 使用Redis + 定期持久化到HBase。
3. 窗口长度 > 1天？ → 使用HBase，利用列族存储不同时间粒度的聚合值。
4. 需要Exactly-Once语义？ → 使用Flink状态 + Checkpoint。
5. 需要跨任务共享特征？ → 使用Redis（共享存储）或HBase（全局视图）。