趋近智
机器学习系统高级特征存储构建
章节 1: 特征平台架构
核心组件再审视：进阶视角
低延迟在线存储架构
离线存储的可扩展性设计
元数据管理策略
解耦架构与集成架构的比较
跨区域和多云考量
实践：设计可伸缩架构
章节 2: 高级特征工程与计算
特征转换管道
处理流式特征
管理嵌入和非结构化数据
大规模时间窗口聚合
按需特征计算
批量与实时计算的权衡
复杂转换的动手实践
章节 3: 确保数据一致性和质量
诊断与缓解在线/离线偏差
训练数据的时间点准确性
高级数据验证方法
特征数据分布监控
回填策略与难题
分布式系统中的一致性保证
实践：实现偏差检测
章节 4: 性能、可扩展性与优化
特征平台性能基准测试
优化在线服务延迟
扩展离线计算
存储优化和成本管理
高可用性和灾难恢复模式
容量规划与负载测试
在线特征商店性能调整实战
章节 5: 治理、安全与 MLOps 集成
实施特征治理框架
特征版本控制策略
端到端特征血缘追踪
访问控制与安全模型
将特征商店与CI/CD流程集成
特征发现与编目
审计与合规性考量
实践：设置特征血缘
章节 6: 特征存储方案的评估与运行
比较开源特征存储（如Feast）
云端托管特征存储服务分析
自建与采购决策框架
操作监控与警报
调试常见特征商店问题
特征存储管理中的团队结构与职责
动手实践：评估托管服务
扩展离线计算
这部分内容有帮助吗？
- Resilient Distributed Datasets: A Fault-Tolerant Abstraction for In-Memory Cluster Computing, Matei Zaharia, Mosharaf Chowdhury, Tathagata Das, Ankur Dave, Justin Ma, Haoyuan Li, Scott Shenker, and Ion Stoica, 2012 USENIX Conference on Networked Systems Design and Implementation (NSDI) DOI: 10.5555/2632222.2632227 - 描述了核心的弹性分布式数据集（RDD）抽象，这是Apache Spark分布式计算模型和容错功能的基础。
- Apache Spark Documentation, The Apache Software Foundation, 2024 - 提供Apache Spark的详细技术信息、使用指南和优化策略，涵盖其API、配置和大规模数据处理的性能调优。
- Apache Flink Documentation, The Apache Software Foundation, 2025 - 提供Apache Flink的完整文档，包括其批处理能力、Table API与SQL，以及与大规模特征计算相关的部署指南。
- Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems, Martin Kleppmann, 2017 (O'Reilly Media) - 系统地概述了可靠、可扩展和可维护数据系统背后的原则，包括数据模型、分布式事务和批处理架构等主题。
- Michelangelo: Uber's Machine Learning Platform, Sibylle Lanz, Jeremy H. Hong, Kai Jiang, Mayur Rustagi, Gaurav Singh, Mike Wu, David Xiao, and Andrew P. Zang, 2017 2017 IEEE International Conference on Data Science and Advanced Analytics (DASFAA) (IEEE) DOI: 10.1109/DSAAE.2017.8286940 - 介绍了Uber的端到端机器学习平台Michelangelo，详细说明了其架构和组件，包括依赖可扩展离线计算的特征存储。该URL指向论文的易于访问的摘要。