本次演讲中，我们将介绍 FeatHub，一个由阿里云自研并开源的实时特征平台。我们将介绍 FeatHub 的架构设计，已经完成的工作，以及近期的发展计划。 我们为 FeatHub 设计了易于使用的 Python SDK，来方便用户开发，分享，以及部署特征工程作业到生产环境。FeatHub 目前支持使用 Flink 作为计算引擎来完成流批一体的特征计算，支持在 Kafka,文件系统等多种存储引擎中读取和存储特征。用户可以使用声明式的 API 来定义特征，无需担心特征穿越的问题，也无需使用相对复杂的底层计算引擎 API 来计算特征。我们希望通过提供这些功能，来提升特征工程作业的开发效率，并推动实时特征工程的应用发展。 FeatHub 已经在 https://github.com/alibaba/feathub 开源。欢迎大家尝试使用并提供反馈。

1. FeatHub: 流批一体的实时特征工程平台
林东
阿里巴巴高级技术专家
Apache Flink/Kafka committer

2. 01 为什么需要FeatHub
02 FeatHub架构和概念
03 FeatHub API展示

3. 01 为什么需要FeatHub

4. 目标场景
需要Python环境的
数据科学家
生成实时特征 需要开源方案
支持多云部署

5. 实时特征工程的痛点
开发难度高 部署难度高 监控难度高 分享难度高
特征穿越
需要手动翻译
性能压力大
特征分布变化 开发工作重复

6. point-in-time correct语
义
时间 用户ID 最近2分钟点击数
5:00 1 5
6:00 1 10
7:00 1 6
时间 用户ID Label
5:02 1 1
6:03 1 0
6:10 1 1
7:05 1 0
时间 用户ID 最近2分钟点击数 Label
5:02 1 6 1
6:03 1 6 0
6:10 1 6 1
7:05 1 6 0
错误的join
多版本特征
样本数据
训练数据

7. point-in-time correct语
义
时间 用户ID 最近2分钟点击数
5:00 1 5
6:00 1 10
7:00 1 6
时间 用户ID Label
5:02 1 1
6:03 1 0
6:10 1 1
7:05 1 0
时间 用户ID 最近2分钟点击数 Label
5:02 1 5 1
6:03 1 10 0
6:10 1 10 1
7:05 1 6 0
正确的join
多版本特征
样本数据
训练数据

8. Feature Store的核心场景
特征开发 特征部署 特征监控 特征分享

9. Feature Store的核心场景
特征开发 特征部署 特征监控 特征分享
SDK 执行引擎 特征储存 指标 报警 注册 搜索

10. Feature Store的核心场景
特征开发 特征部署 特征监控 特征分享
SDK 执行引擎 特征储存 指标 报警 注册 搜索
简单易用
point-in-time correct
语义
高吞吐
实时特征
离线储存
在线储存
数值分布变化
实时监控
简单易用

11. Python SDK 简单易用
快速生产部署
快速开发实验
高性能实时特征
代码开源
处理引擎可扩展
为什么需要FeatHub

12. 02 FeatHub架构和概念

13. 架构

14. 架构 (续)

15. 核心概念
TableDecscriptor TableDecscriptor TableDecscriptor
Transform Transform
TableDecscriptor
FeatureTable
保存在储存上的
物理特征表
FeatureView
从FeatureTable计算得到的
逻辑特征表
DerivedFeatureView SlidingFeatureView OnDemandFeatureView
Transform
Expression Join
OverWindow SlidingWindow
PythonUDF

16. 核心概念 (续)
FlinkProcessor
LocalProcessor SparkProcessor
Processor
Source Sink
Table Table
KafkaSource
FIleSystem
Source
HiveSource KafkaSink
FileSystemSink RedisSink
HiveSink

17. 03 FeatHub API展示

18. 特征计算功能
f_price = Feature(
name="price",
dtype=types.Float32,
transform=JoinTransform(
table_name="price_updates",
feature_name="price"
),
keys=["item_id"],
)
f_total_payment_last_two_minutes = Feature(
name="total_payment_last_two_minutes",
dtype=types.Float32,
transform=SlidingWindowTransform(
expr="item_count * price",
agg_func="SUM",
window_size=timedelta(minutes=2),
step_size=timedelta(minutes=1),
group_by_keys=["user_id"]
)
)
f_total_payment_last_two_minutes = Feature(
name="total_payment_last_two_minutes",
dtype=types.Float32,
transform=OverWindowTransform(
expr="item_count * price",
agg_func="SUM",
window_size=timedelta(minutes=2),
group_by_keys=["user_id"]
)
)
特征拼接 Over窗口聚合 滑动窗口聚合
f_trip_time_duration = Feature(
name="f_trip_time_duration",
dtype=types.Int32, FeatHub性能优化
transform=
"UNIX_TIMESTAMP(taxi_dropoff_datetime) -
UNIX_TIMESTAMP(taxi_pickup_datetime)",
)
内置函数调用
f_lower_case_name = Feature(
name="lower_case_name",
dtype=types.String,
transform=PythonUdfTransform(lambda row: row["name"].lower()),
)
Python UDF调用

19. 样例场景
Purchase Events
- user_id (PK)
- item_id
- item_count
- timestamp
Item Price Events
- item_id (PK)
- price
- timestamp
拼接
- user_id (PK)
- item_id
- item_count
- price
- timestamp
聚合
- user_id (PK)
- item_id
- item_count
- price
- total_payment_last_two_minutes
- timestamp
生成机器学习训练数据集

20. 样例代码
client = FeathubClient(
config={
"processor": {
"processor_type": "flink",
"flink": {
"rest.address": "localhost",
"rest.port":" 8081"
},
},
...
}
)
f_total_payment_last_two_minutes = Feature(
name="total_payment_last_two_minutes",
dtype=types.Float32,
transform=OverWindowTransform(
expr="item_count * price",
agg_func="SUM",
window_size=timedelta(minutes=2),
group_by_keys=["user_id"],
),
)
purchase_events_with_features =
DerivedFeatureView(
name="purchase_events_with_features",
source=purchase_events_source,
features=[
"item_price_events.price",
f_total_payment_last_two_minutes,
],
keep_source_fields=True,
)
purchase_events_source = FileSystemSource(
name="purchase_events",
path="/tmp/data/purchase_events.json",
data_format="json",
schema=purchase_events_schema,
timestamp_field="timestamp",
timestamp_format="%Y-%m-%d %H:%M:%S",
)
item_price_events_source = FileSystemSource(
name="item_price_events",
path="/tmp/data/item_price_events.json",
data_format="json",
schema=item_price_events_schema,
keys=["item_id"],
timestamp_field="timestamp",
timestamp_format="%Y-%m-%d %H:%M:%S",
)
创建FeatHub
Client
创建Source 创建FeatureView

21. 样例代码 (续)
result_table = client.get_features(
features=purchase_events_with_features
)
result_table_df = result_table.to_pandas()
print(result_table_df)
hdfs_sink = FileSystemSink(
path="/tmp/data/output.json",
data_format="CSV"
)
获取特征到本地Pandas
DF
创建Sink 输出特征到离线储存HDFS
result_table.execute_insert(
sink=hdfs_sink,
allow_overwrite=True
)

22. FeatHub性能优化
• 滑动窗口聚合的特征仅在特征数值变化时输出数据，减少网络带宽使用
• 滑动窗口聚合的特征在窗口为空的时候输出数据，无需下游周期性扫描数据来移除过期数据
• 提供高性能内置UDAF (e.g. VALUE_COUNTS)，减少稀疏特征的网络带宽使用量
• E.g. 最近一分钟每个用户点击每种产品分类的数量
• 滑动窗口聚合的特征共用状态，减少计算量和内存使用 (尚未完成)
• E.g. 同时计算最近1分钟/5分钟/10分钟/30分钟内的用户点击数
• …

23. FeatHub未来工作
• 完善LocalProcessor和FlinkProcessor的功能和性能
• 支持常用的离线/在线储存 (e.g. HDFS, Redis)
• 支持对接Notebook
• 提供可视化UI来访问特征元数据 (e.g. 特征定义，特征血缘)
• 支持特征质量监控和报警
• 支持Spark作为处理引擎
• 支持特征授权，鉴权，审计等企业级功能
• …

24. 欢迎加入FeatHub社区
FeatHub代码库：https://github.com/alibaba/feathub
FeatHub代码样例：https://github.com/flink-extended/feathub-
examples

25. THANK YOU
谢 谢 观 看