4. 服务画像建模：基于时间序列的特征工程与画像向量化
服务画像建模的核心目标是将高维、动态、异构的观测数据（指标、日志、调用链）转化为一个低维、稳定、可计算的向量表示。这个向量就是“服务画像”，它必须同时保留服务的稳态行为模式和异常敏感特征。本节聚焦于如何通过时间序列特征工程完成这一转化。
4.1 时间序列特征工程的三层架构
特征工程不是简单堆砌统计量，而是按照“原始信号 → 统计特征 → 行为模式”的层次进行抽象。下表总结了每一层的输入、输出与典型方法：
| 层级 | 输入 | 输出 | 典型方法 |
|---|---|---|---|
| L1 原始信号层 | 秒级/分钟级监控指标 | 清洗后的时序数据 | 缺失填充、异常截断、重采样对齐 |
| L2 统计特征层 | 清洗时序 | 滑动窗口统计量 | 均值、P99、标准差、偏度、自相关系数 |
| L3 行为模式层 | 统计特征序列 | 画像向量 | 周期性分解、趋势提取、突变检测 |
关键原则：L2 特征必须覆盖“集中趋势、离散程度、分布形状、时序依赖”四个维度，缺失任何一个维度都会导致画像对特定异常类型（如慢速漂移、突发抖动）失敏。
4.2 核心特征维度与计算方法
针对容量压测场景，我们重点提取以下 5 组特征维度。每组特征都对应一种常见的异常模式：
- 短期波动特征（窗口 5min）： 滑动均值、滑动标准差、最大-最小差值。用于捕捉突发尖刺和瞬时抖动。
- 长期趋势特征（窗口 1h）： 线性回归斜率、Holt-Winters 趋势分量。用于识别缓慢的资源泄漏或渐进式退化。
- 周期性特征（窗口 24h）： 自相关峰值强度、傅里叶变换主频能量占比。用于判断服务是否偏离了日/周基线。
- 分布形态特征（窗口 30min）： 偏度、峰度、P50/P90/P99 比值。用于检测数据分布是否发生结构性偏移。
- 上下文关联特征： 上游调用量变化率、下游错误率联动差。用于区分“自身故障”与“被传染异常”。
工程经验：在 L2 层，不要直接使用原始 P99 值，而是使用“P99 与滑动均值的偏离倍数”。这个归一化后的特征对业务量级变化不敏感，但对异常形态敏感，更适合跨服务画像对比。
4.3 画像向量化：从特征到向量
完成特征提取后，需要将多维度特征融合为一个固定长度的向量。我们采用“特征拼接 + 归一化 + 主成分压缩”的三步策略：
- 特征拼接： 将上述 5 组特征按时间窗口对齐，拼接成一个原始特征向量（维度约 30~50）。
- 归一化： 使用 RobustScaler（基于中位数和 IQR）消除量纲影响，避免离群值主导向量距离。
- 压缩降维： 使用 PCA 或 UMAP 将维度压缩至 8~16 维，保留 95% 以上方差。压缩后的向量即为最终的服务画像。
下图展示了从原始指标到画像向量的完整流水线：
4.4 画像向量的异常检测应用
向量化后的服务画像可以直接用于异常检测。我们采用“距离 + 密度”双判据：
- 距离判据： 计算当前画像向量与历史基线向量的余弦距离或欧氏距离。距离超过动态阈值（P99 距离值）则触发告警。
- 密度判据： 使用 LOF（局部离群因子）评估当前向量在最近 7 天画像空间中的密度。密度显著下降说明服务行为发生了结构性变化。
避坑提示：不要只依赖单一判据。距离判据对“幅度异常”敏感，但对“形态异常”（如周期错位）不敏感；密度判据正好互补。必须双判据同时评估，才能覆盖容量压测中常见的“缓慢漂移”和“突发抖动”两类异常。
4.5 特征工程对压测水位的影响
画像向量的质量直接决定了异常检测的准确率，进而影响容量压测水位的调整决策。下表总结了特征工程质量与压测水位调整的关系：
| 画像质量等级 | 特征覆盖度 | 异常检测 F1 值 | 压测水位调整策略 |
|---|---|---|---|
| 优秀 | 5 组特征全覆盖，窗口参数自适应 | > 0.95 | 自动调整，置信度高，可直接用于水位决策 |
| 良好 | 覆盖 4 组，缺失分布形态或上下文 | 0.85 ~ 0.95 | 半自动调整，需人工复核异常标签 |
| 不足 | 仅覆盖 2~3 组，窗口固定 | < 0.85 | 禁止自动调整，仅输出异常提示，水位由人工决策 |
在实际落地中，建议每 24 小时对画像质量进行一次评估，当 F1 值连续 3 天低于 0.85 时，触发特征工程重构流程。
4.6 小结
服务画像建模的本质是将时间序列信号转化为可计算的向量空间。通过三层特征工程架构、5 组核心特征维度、以及“拼接-归一化-压缩”的向量化策略，我们得到了一个既保留行为模式又具备异常敏感性的服务画像。这个画像向量是后续异常检测和压测水位调整的基石——画像质量决定了整个容量管理体系的可靠性上限。