特征缺失问题：定义、成因与模型影响

特征缺失是风险网关在生产运行中最常见的数据质量问题之一。当模型入参的某个特征在特定时间窗口内无法获取有效值时，即发生特征缺失。本章将系统定义特征缺失、剖析其常见成因，并量化分析其对模型决策的具体影响。

2.1 特征缺失的定义

特征缺失（Feature Missing）是指在模型推理时刻，某个或某些输入特征字段的值为空、无效或超出业务定义的有效范围。在风险网关中，特征缺失通常表现为以下几种形式：

2.2 特征缺失的常见原因

特征缺失的根因可归纳为三大类：数据源故障、传输丢包、解析失败。以下逐一分析其技术细节与典型场景。

2.2.1 数据源故障

数据源故障是指上游系统或数据库无法正常提供特征数据，导致网关在请求特征时返回空值或超时。常见场景包括：

• 数据库连接超时：特征存储库（如 Redis、MySQL）响应时间超过网关超时阈值，返回空结果。
• 上游服务宕机：调用外部特征服务（如征信评分、黑名单库）时服务不可用，返回 503 或空响应。
• 数据未就绪：离线特征（如 T+1 统计特征）尚未完成计算，在线请求时特征表为空。
• 缓存失效：特征缓存过期且回源失败，导致特征缺失。

2.2.2 传输丢包

传输丢包发生在特征数据从数据源传输至风险网关的过程中，常见于分布式系统间的网络通信环节：

• 网络抖动：TCP 连接中断或 UDP 数据包丢失，导致特征数据未完整到达网关。
• 消息队列积压：特征数据通过 Kafka/RocketMQ 传输时，消费者处理速度跟不上生产速度，消息被丢弃或过期。
• 序列化/反序列化异常：Protobuf、Thrift 等序列化协议在传输过程中出现字节错位，导致部分字段解析为空。
• 负载均衡丢弃：网关节点在高并发下主动丢弃部分请求的特征数据以保护自身稳定性。

2.2.3 解析失败

解析失败是指特征数据已到达网关，但在数据清洗、格式转换或特征工程环节无法被正确提取：

• 字段类型不匹配：上游返回字符串 "123.45"，但模型期望浮点数，转换失败后置为 NULL。
• 枚举值越界：特征字段定义枚举值 [0,1,2]，但上游传入 3，超出范围被丢弃。
• 时间格式异常：时间戳格式不统一（如 "2024-01-01" vs "01/01/2024"），解析函数抛出异常。
• 嵌套结构断裂：JSON 嵌套特征中父节点缺失，导致子节点无法访问。

2.3 特征缺失对模型决策的影响

特征缺失会从多个维度影响模型决策的准确性、稳定性和可解释性。以下通过一个内联 SVG 流程图展示缺失特征在模型推理链路中的传导路径：

特征缺失对模型决策的具体影响可归纳为以下三个层面：

2.4 特征缺失与 PSI 的关联

特征缺失是导致 PSI（群体稳定性指标）异常升高的核心诱因之一。缺失率的变化会直接改变特征的概率分布，进而影响模型输出的整体分布。以下通过第二个 SVG 图展示缺失率变化如何传导至 PSI 指标：

在实际监控中，特征缺失率与 PSI 之间存在明确的因果关系。以下表格总结了不同缺失率区间对应的 PSI 风险等级：