前言

在上一篇《基于中心化元数据及配置驱动的特征工程管理平台》中（点击可跳转），重点介绍了eBay AI特征平台如何通过统一的元数据和配置驱动，为用户提供了快速发现特征、开发新特征以及对开发的特征进行生命周期管理的能力。站在平台的角度，为了实现这样目标，除了对元数据本身的管理之外，作为平台的计算层也需要具备相应的能力。eBay AI特征平台的计算层分为离线和近实时（Near Real-Time， NRT）两部分，本文主要介绍近实时特征工程相关的设计和实现。

背景

近年来，随着业界不断的创新和探索，机器学习在业务中承担的角色越来越重要。除了模型算法本身之外，良好的预测效果离不开特征的选择。从特征的来源看，通常可以分为3种类型：

• 离线特征
• On-the-fly特征
• 近实时特征

数据科学家开发特征时往往先从离线特征开始，因为离线特征的数据源基本来自数据仓库或者是数据湖，这些都是数据科学家非常熟悉的。但离线特征最大的问题是数据有较长延迟。通过一系列ETL任务把数据导入到数据仓库或者是数据湖，在进行离线特征计算，往往会有一天或以上的数据延迟。

当需要延迟更低的特征时，数据科学家往往需要在线应用开发工程师的帮助，来开发在线计算的特征，我们将它们称为on-the-fly特征。On-the-fly特征好处是数据非常实时，但在实际运用中也有不小的问题：

数据科学家对于在线数据往往太不熟悉，需要工具和方法帮助他们在线下发现，探索在线数据的元数据和数据质量；

需要知识的传递，把特征计算的逻辑转递给在线应用开发工程师来进行开发，而此时这些特征是否真的有用还无法确认；

需要在线应用开发工程师记录特征的结果，并dump到线下进行累计，才能用于真正的模型训练，来确认特征是否真的有用。

总而言之，on-the-fly特征成本很高，TTM(Time-to-market)很长，并且特征可重用性也相对比较差。

由于离线特征和on-the-fly特征的种种限制，近来业界不约而同地把更多的投资放到了流式特征工程上，也就是我们通常说的近实时特征。近实时特征通常是基于事件，进行流式数据处理来生成特征，并将相应的特征指存储到Key/value存储上。它综合了离线特征和on-the-fly特征的好处，数据有着较低的延迟并且非常容易被重用。

挑战

在eBay内部，原先的模型通常都是基于天级别的离线特征。随着越来越多的模型预测依赖NRT的特征，一些团队开始尝试构建NRT特征工程。

具体可以分为以下几步：

1. 数据科学家使用实时的用户行为或者事务变化作为数据源；
2. 数据科学家或数据工程师会将实时数据dump到离线数据仓库，开发离线特征的计算逻辑，生成离线特征。通常这个过程使用Spark任务完成；
3. 在特征正式写入在线特征仓库（Online Feature Store）之前，数据科学家进行离线模型的训练和评估；
4. 通过离线训练模型和评估后，数据科学家或数据工程师需要开发实时特征的计算逻辑，生成实时特征。通常这个过程使用Flink任务完成。

上面的方案已经可以解决NRT从无到有的问题，但是从用户、工程效率等角度看

依然存在一些挑战：

1. 由于方案都是针对某一个具体场景实现的，很难扩展到新的场景。数据科学家在开发新的特征时，通常需要创建新的Pipeline，包括离线的Spark任务以及实时的Flink任务，对数据科学家提出了很高的工程技术要求。另外，由于每次都需要创建新的Pipeline，无法保证数据的正确性，一个新的特征从开发、测试到上线需要花费大量的时间；
2. 缺乏自服务方式，让数据科学家不依赖其他工程师的情况下，发现、重用并测试别人已开发的特征，或者独立开发、定义、测试直到发布他所开发的近实时特征；
3. 通常离线的数据源是数仓，在线的数据源是Kafka，不同的数据源很难保证数据是一致的；另外，离线和实时采用不同的技术栈，可能分别由不同团队负责，难以保证离线和在线的计算逻辑是一致的；
4. 独立的Pipeline带来了一定的隔离性，但是随着业务的增加，大量的Pipeline缺少统一的元数据管理和管控，对资源、监控报警、运维等带来很大的压力；
5. 缺少point-in-time的特征模拟能力；
6. 缺少完整的生命周期管理，包括离线、在线数据源的选取，特征的测试、上线和下线等。

平台化的价值

如上所述，NRT特征工程的实现是相当复杂的。从平台建设的角度看，首要目标是帮助用户快速的完成特征开发和上线。考虑到在机器学习场景中，80%的场景都是使用简单的特征。因此，在权衡复杂性和工程化之后，为了最大化的体现平台优势，eBay NRT特征工程决定对80%的简单特征做到大规模简单化，对20%的复杂特征提供相应的自定义扩展能力。优先支持的2种简单类型的NRT特征：

Roll-up类型：Roll-up类型的特征是机器学习中最常见的特征类型。如计算某一时间区间的商品点击数、近期的用户行为日志等。NRT特征工程内置实现了两种类型的Roll-up特征：

• 滑动窗口（Sliding Window）
• LastK

Embedding类型：主要服务于eBay的视频、图像、NLP等业务。Embedding类型的特征处理过程与Roll-up大致相同，不同之处在于Embedding类型的特征需要调用在线模型预测生成。对于这样的需求，可以采用DSL+UDF的方式实现，DSL定义特征的计算逻辑，UDF实现模型调用。

基于UI可以实现简单特征的快速开发和上线：

eBay NRT 特征工程

设计原则

基于以上的挑战和痛点，eBay NRT特征工程遵循以下的设计原则

让数据科学家自助式的进行特征开发：

1. 基于统一的配置和元数据管理，用户可以快速的发现和重用数据源及特征，避免重复计算；
2. 采用统一的DSL开发语言，确保在线/离线计算逻辑强一致，降低开发和测试成本。并支持point-in-time特征模拟；
3. 基于通用的NRT Pipeline和元数据驱动，用户可以快速完成特征开发，无需代码变更和发布，避免烟囱式开发和大量任务的管理维护；
4. 支持特征的回填（Backfill），降低特征准备时间，提供快速的TTM；
5. 全生命周期的统一管控，支持数据血缘和计算依赖的可视化，降低变更导致的风险。

整体架构

NRT特征工程包含以下几部分：

1. 数据源：考虑到数据的预处理需要业务领域的知识，比如过滤、字段转换等。因此NRT特征工程处理的是经过业务部门处理过的数据源。为了保证在线和离线的数据一致，NRT特征工程借助DI团队提供的在线到离线的转存服务，将Kafka中的实时数据存储到HDFS中，作为离线数据源。
2. 在线NRT特征处理：实时从特征管理平台获取数据源、Consumer和DSL等元数据，自动地实时消费Kafka中的数据。对于每一个Kafka消息，计算DSL并将计算结果写入在线特征仓库。
3. 离线NRT特征模拟：与在线NRT特征处理类似，从特征管理平台获取实时数据源对应的离线表、DSL、驱动数据集等元数据。通过回放历史数据的方式，生成训练数据集，提供给后续的模型训练使用。对于同一个特征，离线和在线执行相同的DSL，保证离线和在线产出的特征是一致的。
4. 在线特征仓库和查询服务：NRT特征最终会以KV的形式存储。考虑到存储的成本问题，特征在写入时会进行压缩。由于用户无法直接使用在线特征仓库中的数据，因此eBay NRT特征工程提供了查询服务，用户只需通过DSL定义需要的特征，查询服务会自动从特征管理平台获取相应的元数据，并在用户查询时解压、执行DSL以及一系列优化工作。关于在线特征仓库部分后续会有相关的文章详细介绍。

Roll-up 特征实现

无论是Roll-up特征、Embedding特征还是其他类型的特征。eBay NRT特征平台都是采用通用的架构体系去实现的。为了描述方便，本文将重点介绍Roll-up类型的特征是如何实现的。

计算过程

我们将Roll-up类型的特征抽象成两部分：State和Delta。State代表Roll-up特征的状态，Delta表示一个Roll-up的增量更新。基本的Roll-up过程可以描述为State + Delta，即Delta应用到State生成一个新的State。基于这样的抽象，具体的计算过程可以分为3个阶段：

计算Delta阶段：通过一个分布式服务并行消费Kafka Topic。考虑到保证事件的顺序需要花费很大的代价，Roll-up特征在设计时支持Delta的乱序。因此对于Kafka Topic中的事件，没有顺序性的要求，相同key的事件可以在不同的partition中。整个计算过程是无状态的；

聚合阶段：根据key进行shuffle，保证相同key的delta和state在同一个地方计算，防止并发导致的结果丢失。同时支持对一定时间内的Delta进行预集合，减少对下游系统的操作，提高吞吐；

存储阶段：将新的State通过存储服务写入NuKV存储中。为了保证数据的一致性，存储服务并未使用eBay内部服务标准的3数据中心部署，采用Active-Standby的部署模式，保证相同的key不会在多个数据中心并行处理。

存储变量

如《基于中心化元数据及配置驱动的特征工程管理平台》所述，我们将特征抽象成两部分：存储变量（Stored Variable）和特征模版（Feature Template）。Roll-up特征的存储变量在设计时重点考虑了如下几个问题：

存储粒度，以便支持不同时间粒度的特征查询；

预处理，如去重、排序等，提升特征查询的SLA；

更新幂等，以便支持回填操作，降低特征上线准备时间。

滑动窗口存储变量

从访问模式、数据压缩/局部性以及键/值记录数量等考虑，目前滑动窗口存储变量采用的存储数据模型如下所示：

根据不同的需求，滑动窗口存储变量会包含不同时间粒度的桶。通常会包含天级别、小时级别和分钟级别。小时级别和分钟级别的桶数量是固定的，分别为24和60。天级别的桶数量和特征定义相关，如需要近7天的特征值，则天级别的桶数量至少为7。在桶内部，会保存所有的聚合结果，如min、max、count等。

基于这样的数据模型，可以很容易满足以下场景：

根据给定的参数选择合适粒度的桶，得到不同时间粒度的特征。如读取最近5天的累加值，则查询近5天天粒度的桶并累加计算即可；

支持不同的聚合函数，在写入阶段预聚合，方便快速查询；

对于新的Delta，首先确定对应的桶，判断桶的最后修改时间，如果早于一定的时间，则重新计算桶的值，实现写入幂等，并以此支持回填功能。

LastK存储变量

LastK存储变量用来维护一个记录列表。每条记录可以包含单个或多个字段。默认情况下，如果记录中没有定义point-in-time时间戳，则会自动添加。

LastK变量列表中的记录默认按point-in-time时间戳排序（升序）。如果记录数超过配置的最大值，则最旧的记录将被删除。此外，支持用户定义一个去重字段，使得具有相同去重值的多条记录将被去重为一条记录，并且时间戳将被更新为最新的一条。

基于LastK存储的记录列表，可以灵活地进行各类计算，如记录过滤、分组、聚合等。

典型的场景包括：

按时间排序的事件系列，可以支持 LSTM等深度学习模型；

基于最新K个事件的各类计算。

实例

下面将以一个记录用户浏览记录的特征为例，描述如何通过DSL快速创建一个特征。特征定义为：

提供用户最近200次页面浏览时长

包含相关的pageId及其itemId

具体可以分为以下几步：

首先，我们声明一个LastK存储变量page_view_userid并定义它的schema。变量最大值设置为200，字段信息包括itemId、pageId和timestamp；

define LastK variable page_view_userid {
metadata : {
"keyDimension" : "UserId",
"maxSize" : "200",
"dedupFields" : "[\"pageId\",\"pit\"]",
"fieldsInfo" : "[
{\"name\":\"pit\",\"type\":\"long\",\"description\":\"Point-in-time timestamp\"},
{\"name\":\"itemId\",\"type\":\"string\",\"description\":\"Item ID\"},
{\"name\":\"pageId\",\"type\":\"long\",\"description\":\"Page ID\"}
]",
"description" : "page_view_userid"
};
};

其次，我们定义Delta计算逻辑。该变量使用数据源PageViewEvent。对于每个事件，我们提取 itemId和pageId；

process variable page_view_userid as any{

process PageViewEvent {
local record = map{
"itemId" : @evt.itemId,
"pageId" : @evt.pageId
};
@lastKDelta(@evt.eventTimestamp, @evt.userId, record);
};
};

第三，我们在特征模板 page_view_

duration_userid 中定义读取逻辑。可以看到我们从 LastK 变量中获取了页面浏览列表。然后我们遍历列表，通过

next.pit – cur.pit 计算页面浏览时长。

define variable page_view_duration_userid(long pit, KeyDim.UserId userId) as list<map<string,any>> {
metadata : {
"description" : "sequence of page view and duration"
};

local sequence = [];
local ls = @lastKLoad(userId, "page_view_userid", pit);
for(local i =0;i<ls.size()-1;i=i+1){
local cur = ls.get(i);
local next = ls.get(i+1);
local dur = next.pit-cur.pit;
local enriched = map {
"itemId" : cur.itemId,
"pageId" : cur.pageId,
"userId" : userId,
"pageViewDuration" : dur
};
sequence.add(enriched);
};
sequence;
};

在定义DSL之后，将进行离线模拟，验证和评估之后最终将它们发布到生产中。最后，可以通过在线特征仓库中获取用户的页面浏览时长

：page_view_duration_userid^userId。以上所有功能都可以在特征管理平台自助完成。

平台化建设

基于以上的核心设计，完全可以构建一个通用的NRT特征计算服务。但是，作为eBay AI的基础平台，承载着eBay内部大量NRT特征的开发和生成，因此对于整个平台的SLA、功能的完备程度都提出了极高的要求。

元数据集成

特征管理平台提供了特征的全生命周期管理能力。为了实现元数据驱动的目标，NRT特征工程与特征管理平台做了紧密的集成。支持特征的模拟、发布和下线。

NRT特征工程的各个组件都集成了配置和DSL加载器，当用户发布新的特征后，各个组件会实时的获取相关的元数据，自动完成特征的计算和存储。此外，当用户下线某一个特征时，各个组件也会及时获取最新的元数据，停止对该特征的计算。

扩展性及高可用

NRT特征工程中的各个组件都具备灵活的横向扩展能力。如在Roll-up类型的特征计算过程中，负责Delta计算的组件需要消费很多Kafka Topic，可以根据总体的消息量和系统的水位情况，做横向的扩展。对于有特殊要求的业务，还可以依赖特征管理平台的流水线的能力，单独创建一个集群进行处理。

NRT特征工程采用标准的3机房部署，具备高可用能力。下图为Roll-up计算的多机房部署架构。由于计算Delta是无状态的，采用Active-Active的部署模式。Delta聚合使用Apache Flink计算引擎，由于是有状态的计算，采用Active-Standby部署模式。当开启高可用模式之后，Rheos平台（eBay内部实时计算平台）会定期同步任务状态到其他机房，当Active机房宕机之后，可以在其他机房重新恢复任务。存储服务也是采用Active-Standby部署模式，避免并行操作可能带来的数据一致性问题。

错误处理

在NRT的特征计算中，错误是不可避免的。导致错误的原因有很多，比如基础服务异常、网络抖动、外部服务宕机等都有可能导致错误的发生。在处理错误时，需要权衡特征的实时性和准确度。对于Roll-up类型的特征，少量的错误对于模型的影响相对较小；对于Embedding类型的特征，发生错误意味着某个对象的丢失，影响较大。因此，对于错误处理，不同的场景需要不同的处理方式：

1. 在线重试：对于错误容忍度低的场景，当遇到错误时，可以根据错误类型，将错误消息发送到不同的Kafka Topic。对于可恢复的错误，比如网络抖动，可以将消息发送到重试Topic，下游使用一个服务执行相同的DSL进行重试补偿。当达到最大重试次数，将错误消息发送到错误Topic；对于暂时不可恢复的消息，直接将消息发送的错误Topic。将错误Topic中的消息转存到离线HDFS，定时分析错误原因，对于可恢复的错误消息，重新发送到重试队列进行重试补偿。
2. 离线回填：对于错误容忍度比较高，接受最终一致性的场景，可以通过T+1的离线数据回填，对错误消息进行补偿。

NRT特征模拟

在AI工程中，数据科学家通常需要构造离线训练数据集训练模型，并通过测试数据集对模型和特征进行评估。eBay NRT特征工程基于离线数据的回放，提供了NRT特征的point-in-time模拟能力，帮助用户生成高质量的训练数据集。另外，基于同一套DSL，使得同一个特征在线和离线计算逻辑的强一致，保证了离线评估验证的模型，在使用在线特征后效果是符合预期的。

特征回填

通常一个NRT特征在发布生产之后，会基于最新的事件产出特征，再经过一定时间的积累，才能给模型使用。这个等待的过程依赖模型各自的要求，可能会持续数天，甚至一个月。为了缩短模型上线的时间，NRT特征平台提供了特征回填的功能。得益于存储变量在设计之初就支持了更新的幂等性，通过离线历史数据的回放并更新在线特征即可。以Roll-up类型的特征为例，回填过程如下：

总结和展望

本文主要介绍了eBay AI团队在NRT特征工程中的思路和相关工作。目前已内置支持Roll-up、Embedding等特征，并逐步在往平台化的方向发展。未来我们将在NRT特征工程中支持更多的功能，包括与训练平台、在线预测平台的无缝对接，特征的分析和监控等。