4. Drift 概念深度解析：数据漂移、模型漂移、概念漂移、系统行为漂移的定义与区别
在压力测试复盘场景中，“漂移”（Drift）是衡量系统稳定性和预测准确性的核心指标。不同领域的漂移含义差异巨大，混淆它们会导致复盘结论完全错误。本节从 SRE 实战视角，严格区分四种漂移的定义、触发条件与典型表现。
4.1 四种漂移的核心定义
| 漂移类型 | 英文 | 定义 | 典型触发场景 |
|---|---|---|---|
| 数据漂移 | Data Drift | 输入数据的统计分布（均值、方差、分位数）随时间或负载变化 | 压测流量特征改变、上游数据源切换、用户行为突变 |
| 模型漂移 | Model Drift | 模型在线上推理时的预测性能（准确率、召回率、AUC）下降 | 训练数据与线上数据分布不一致、特征工程失效 |
| 概念漂移 | Concept Drift | 输入与输出之间的映射关系（即“概念”）发生根本性变化 | 业务规则变更、用户偏好迁移、环境条件剧变 |
| 系统行为漂移 | System Behavior Drift | 系统运行时指标（延迟、吞吐、错误率、资源利用率）偏离基线 | 代码变更、配置调整、硬件老化、依赖服务降级 |
SRE 实战提示： 在压测复盘时，数据漂移和系统行为漂移是 SRE 最常直接观测到的两类漂移；模型漂移和概念漂移通常需要结合 ML 监控平台联合诊断。
4.2 四种漂移的深层区别
仅靠定义容易混淆，下面从三个关键维度进行对比：观测对象、变化本质、典型指标。
| 对比维度 | 数据漂移 | 模型漂移 | 概念漂移 | 系统行为漂移 |
|---|---|---|---|---|
| 观测对象 | 输入特征 X | 模型输出 ŷ 与真实值 y | 映射关系 P(y|X) | 系统指标（延迟、错误率等） |
| 变化本质 | X 的分布变化 | 模型性能退化 | 条件概率分布变化 | 运行时行为偏离基线 |
| 典型指标 | PSI、KS 统计量、特征分位数偏移 | 准确率下降、AUC 衰减、F1 波动 | 决策边界偏移、类别分布反转 | P99 延迟、错误率、CPU 利用率、GC 频率 |
| 压测中常见性 | 高 | 中（仅限 ML 系统） | 低（长期压测可能出现） | 极高 |
4.3 四种漂移的关系与层级
四种漂移并非孤立存在，在压测复盘时往往存在因果链：数据漂移可能引发模型漂移，模型漂移可能被误判为系统行为漂移。下图展示了它们之间的典型影响路径。
4.4 压测复盘中的典型漂移案例
4.4.1 数据漂移：压测流量失真
某电商大促压测中，压测工具只发送了“浏览-加购-下单”的完美路径流量，而线上真实流量包含大量“搜索-浏览-退出”的无效路径。导致压测时系统表现良好，上线后数据库连接池瞬间打满。
- 监控手段： 对比压测流量与线上流量的特征分布（PSI > 0.1 视为漂移）。
- 复盘动作： 修正压测脚本，加入噪声流量和异常路径。
4.4.2 模型漂移：推荐系统失效
压测期间推荐模型 AUC 从 0.82 降至 0.71，但系统延迟和吞吐均正常。复盘发现压测使用了旧版特征工程，线上已升级为新的 embedding 方案。
- 监控手段： 实时追踪模型推理的 AUC、F1、召回率。
- 复盘动作： 统一压测与线上的模型版本和特征管线。
4.4.3 概念漂移：风控规则过时
压测中风控模型拦截率从 5% 骤降至 0.5%，并非模型失效，而是业务方在压测期间临时关闭了“异地登录”规则，导致“风险”的概念本身发生了变化。
- 监控手段： 监控决策边界偏移、类别分布变化。
- 复盘动作： 建立业务规则变更的版本管理和漂移告警。
4.4.4 系统行为漂移：内存泄漏
压测持续 2 小时后，P99 延迟从 50ms 缓慢上升至 800ms，GC 频率从 1 次/分钟升至 30 次/分钟。这是最典型的系统行为漂移。
- 监控手段： 设置 P99 延迟、GC 暂停时间、堆内存使用率的动态基线。
- 复盘动作： 通过 heap dump 定位泄漏对象，修复后回归验证。
4.5 四种漂移的监控优先级矩阵
在压测复盘的不同阶段，四种漂移的监控优先级不同。下表给出推荐策略：
| 压测阶段 | 数据漂移 | 模型漂移 | 概念漂移 | 系统行为漂移 |
|---|---|---|---|---|
| 压测准备期 | ⭐⭐⭐（验证流量真实性） | ⭐⭐（确认模型版本） | ⭐（确认业务规则） | ⭐⭐⭐（确认基线） |
| 压测执行期 | ⭐⭐（实时监控输入分布） | ⭐⭐（实时监控推理指标） | ⭐（低频检查） | ⭐⭐⭐⭐⭐（最高优先级） |
| 压测复盘期 | ⭐⭐⭐⭐（根因分析关键） | ⭐⭐⭐（联合分析） | ⭐⭐（排除业务变更干扰） | ⭐⭐⭐⭐⭐（核心复盘对象） |
常见误区： 很多团队将“系统行为漂移”与“模型漂移”混为一谈。例如：压测中 P99 延迟升高，直接归因为“模型推理变慢”，但实际原因是数据漂移导致输入特征维度暴增，触发了特征工程的 OOM。复盘时必须先区分“输入变了”还是“系统本身变了”。
4.6 四种漂移的检测方法速查
- 数据漂移检测： 使用 Population Stability Index (PSI) 或 Kolmogorov-Smirnov (KS) 检验，对比压测流量与线上流量的特征分布。
- 模型漂移检测： 监控模型推理的 AUC、准确率、召回率随时间的变化曲线，设置衰减阈值告警。
- 概念漂移检测： 使用 ADWIN (Adaptive Windowing) 算法或 DDM (Drift Detection Method) 监测预测误差的分布变化。
- 系统行为漂移检测： 基于 EWMA (指数加权移动平均) 或 3-sigma 规则，对延迟、错误率、资源利用率建立动态基线。
# 伪代码：系统行为漂移检测示例（基于 EWMA）
import numpy as np
def detect_system_drift(metric_series, alpha=0.3, threshold=3.0):
ewma = [metric_series[0]]
for i in range(1, len(metric_series)):
ewma.append(alpha * metric_series[i] + (1 - alpha) * ewma[-1])
residuals = np.abs(metric_series - ewma)
std_residual = np.std(residuals)
drift_points = np.where(residuals > threshold * std_residual)[0]
return drift_points