本文系统性拆解爬虫特征库更新的完整实操要点。
上个月一个做教育投放的客户,日均点击一千三四,部署环境是单台4核8G的LNMP,验收要求里明确写了“更新特征库后判定结果波动不超过两个百分点”。他们运维图省事,直接在投放高峰前把爬虫特征库从旧版本整包替换,结果当天下午分流日志里真实访客被划进爬虫分支的比例从百分之二点几跳到百分之六,落地页版本跟着漂移,两个广告组的转化数据直接对不上。这个场景很典型:特征库更新本身不是问题,问题是更新之后判定阈值还按老基线跑,没人去校准,也没人想好回退顺序。下面就把这个链条拆开讲。
判定漂移先从三个来源查起
特征库更新后判定结果偏了,不要一上来就怀疑库本身。先把漂移来源分成三类,逐项排除。
第一类是特征项增减。新库可能新增了几个UA片段或行为特征,旧规则里恰好有宽泛匹配的条件把它们也吃进去了。比如旧规则用“包含curl”做粗筛,新库把某个正常采集工具的UA也纳入了特征集,宽泛条件就会多命中一批请求。这类漂移表现为某个分支的命中量突然抬升,且集中在少数几个特征值上。
第二类是权重口径变化。特征库更新时如果调整了某类信号的置信度权重,而分流判定里仍然按旧权重做加权,最终得分就会整体偏移。这种漂移不会集中在单一分支,而是所有分支的命中比例都轻微移动,看单个分支日志反而不容易发现。
第三类是阈值没跟着动。特征库变了,命中分布的分位数就变了,原来卡在百分之五误判率的阈值,可能现在对应的是百分之七。这是最常见的一类,也最容易被忽略,因为规则文件一个字没改,运维会觉得“配置没动怎么会漂”。
排查顺序建议按“先看分支命中分布,再看权重配置,最后核阈值分位数”走。分支分布看的是集中度,权重配置看的是全局偏移,阈值分位数看的是边界。三者对上了,漂移来源基本就锁定了。
阈值再校准:观察窗口与分位数取法
锁定是阈值问题之后,不要凭感觉调数字。比较稳的做法是取更新前后各一个观察窗口做对比。窗口长度按流量量级定,日均一千多点击的账户,建议取更新前三天和更新后三天,避开周末和投放调整日。
具体操作上,把两个窗口的判定得分导出,按分位数看边界。假设旧库下真实访客得分集中在0.2到0.6之间,爬虫得分集中在0.75以上,阈值卡在0.7。新库跑出来如果真实访客的上沿抬到了0.68,那0.7这个阈值就太贴边了,稍微抖一下就误判。这时候把阈值抬到0.72到0.75之间,留出缓冲带,比死守原值更稳。
这里有个容易踩的坑:只调主阈值,忘了联动阈值。分流判定里往往还有兜底分支的触发阈值、缓存写入的置信度门槛,这几个值是联动的。主阈值抬了,兜底阈值不跟,会出现“主分支不命中、兜底也不触发”的空档,请求走到默认落点,版本照样漂。调整时按“主阈值→兜底阈值→缓存门槛”的顺序改,每改一项跑一轮空跑日志比对,确认分支命中比例回到预期区间再动下一项。
如果账户本身有灰度机制,可以在放量期先用小比例流量验证新阈值,观察半天再全量。相关做法可以参考风险策略的灰度边界里的阈值设定思路,逻辑是相通的。
回退顺序:先退阈值还是先退特征库
校准没把握或者漂移持续扩大时,要果断回退。回退顺序错了,会把两个变量搅在一起,排查更难。
推荐顺序是:先退阈值配置,再退特征库版本。原因在于阈值是纯配置项,回退代价低、生效快、影响面可控;特征库回退涉及文件替换和缓存刷新,链路更长。先把阈值退到更新前的基线,观察一个短窗口,如果分支命中比例回到正常区间,说明漂移主因在阈值,特征库可以保留继续观察;如果退阈值后仍然偏,再退特征库,这时候变量就干净了。
退特征库时注意两件事。一是同步清理判定缓存,特征库换了但缓存里还是旧判定结果,日志会骗人,具体缓存联动可以看缓存键里加UA字里的排查口径。二是回退后保留一份更新期间的判定快照,方便事后比对是哪几个特征值引起的偏移。回退完成不等于收工,还要跑一轮回归核验,确认跳转动作和页面版本都回到预期,核验项可以参考上线验收怎么做里的清单结构。
校准后的稳定性观察
阈值调完、回退做完,别急着宣布恢复。给一个观察期,至少覆盖一个完整的投放日。观察期内盯三个指标:误判分支的命中占比、兜底分支的触发次数、页面版本的分布比例。三个指标都回到更新前的波动区间内,才算稳定。
另外建议把这次校准的阈值变更记进配置变更日志,注明对应的特征库版本号。下次再更新特征库时,这份记录就是现成的基线参照,不用从头摸一遍。
常见问题
特征库更新后误判升高,一定要回退特征库吗
不一定。这个要看情况,先分清是阈值贴边还是特征项本身有问题。多数情况退阈值配置就能压住,特征库可以留着继续观察。只有退阈值后分支命中比例仍然偏,才需要考虑退库。
阈值校准的观察窗口取多长合适
按流量量级来,日均一千多点击的账户取前后各三天比较稳,避开周末和投放调整日。流量更小的账户可以拉长到五天,样本太少时分位数会跳,校准结论不可靠。
回退特征库后判定缓存要一起清吗
要清。特征库换了但缓存里还是旧判定结果,日志和实际分流会对不上,排查时容易被误导。顺带说一句,我一般还会在回退后保留一份更新期间的判定快照,方便事后比对偏移来源。
延伸阅读
特征库更新引发的判定漂移,本质上是识别链路与分流链路的口径没对齐。想从更上游理解百度场景下识别与分流的配合逻辑,可以接着读这篇:百度斗篷完整指南。