3. 风控特征体系概述：特征分类、生命周期与巡检核心指标

风控特征是将原始业务数据转化为可量化、可计算的变量，是风控模型与规则引擎的“燃料”。在实时计算场景下，特征的质量直接决定风控决策的准确性与时效性。本章从特征分类、生命周期管理以及巡检核心指标三个维度，构建风控特征体系的完整认知。

3.1 特征分类：实时特征与离线特征

根据数据来源、计算时效与存储方式，风控特征可划分为实时特征与离线特征两大类。两者在延迟、计算逻辑与使用场景上存在显著差异。

3.2 特征生命周期管理

一个风控特征从定义到下线，通常经历以下五个阶段。每个阶段都需要明确的规范与巡检机制。

1. 特征定义与开发：确定特征名称、数据类型、计算逻辑、数据源依赖。输出特征文档与 Flink SQL / DataStream 代码。
2. 特征测试与验证：在沙箱环境进行数据回放、延迟测试、准确性校验。确保特征值与预期一致。
3. 特征上线与灰度：逐步放量，监控特征延迟、覆盖率与模型效果。设置熔断阈值，异常时自动回滚。
4. 特征运维与巡检：持续监控特征质量指标（延迟、准确率、覆盖率），处理数据倾斜、状态膨胀等问题。
5. 特征下线与归档：当特征不再使用或已被替代时，清理存储资源，更新特征注册表，避免无效计算。

3.3 特征巡检的核心指标

特征巡检是保障风控系统稳定性的关键环节。以下三个指标构成巡检的核心监控维度：

3.3.1 延迟（Latency）

衡量从事件发生到特征值可被消费的时间差。对于实时特征，延迟通常分为计算延迟（Flink 算子处理时间）和传输延迟（消息队列到 Flink 再到下游存储）。

• P99 延迟：99% 的特征计算在多少毫秒内完成，反映极端情况下的性能。
• 平均延迟：整体计算效率的基线指标。
• 延迟抖动：延迟的方差，抖动过大可能表明资源争抢或数据倾斜。

3.3.2 准确率（Accuracy）

特征值是否真实反映业务事实。准确率问题通常源于数据源异常、计算逻辑错误或状态不一致。

• 数据源校验：对比特征值与原始日志的匹配度。
• 逻辑回归测试：在离线环境用历史数据回放，对比实时输出与离线计算结果。
• 空值与异常值比例：过高可能表明数据源缺失或计算异常。

3.3.3 覆盖率（Coverage）

特征在目标事件中的有效填充比例。覆盖率低会导致模型或规则无法正常决策。

• 全局覆盖率：所有事件中特征值非空的占比。
• 分场景覆盖率：按业务线、渠道、设备类型等维度拆解，定位覆盖短板。
• 覆盖率衰减：监控覆盖率随时间的变化趋势，及时发现数据源断流或特征失效。

3.4 特征巡检的典型场景与应对策略

在实际风控系统中，特征巡检常遇到以下问题，需要提前制定应对策略：