Jumio 在 AWS 上构建实时特征存储：实现亚100毫秒欺诈检测延迟并节省12万美元
问题
原有特征工程分散，导致数据重复、手动生产部署风险、高延迟以及延迟事件处理困难，无法满足实时欺诈检测需求。
解决方案
采用流式优先架构，使用 Amazon Kinesis Data Streams 进行实时事件摄取，通过 Amazon Managed Service for Apache Flink 进行特征处理与丰富，并写入 Amazon SageMaker Feature Store。离线数据通过 Amazon Data Firehose 和 Amazon S3 以 Iceberg 格式存储，用于模型训练。架构部署在三个 AWS 区域。
结果
实现了95百分位读取延迟16.9毫秒，满足亚100毫秒的SLA要求；相比此前分散的特征存储，年运营成本节省约12万美元。
成本
成本信息待确认。
案例分析
使用场景：实时特征存储用于机器学习模型推理，支持欺诈检测和身份验证
实施证据：原文明确提到：“We deployed this architecture in three AWS Regions: US East (N. Virginia) (us-east-1), Europe (Frankfurt) (eu-central-1), and Asia Pacific (Singapore) (ap-southeast-1).” 以及 “Latency metrics showed a 95th-percentile response time of 16.9 milliseconds, which meets Jumio’s fraud detection SLA requirement of sub-100ms response times.” 和 “optimizing with the in-memory store in Amazon SageMaker Feature Store has saved approximately $120,000 in operational costs compared with the earlier disparate feature stores.”
指标：95百分位读取延迟：16.9毫秒；P50读取延迟：8.44毫秒；P50写入延迟：18.6毫秒；年运营成本节省：约12万美元；部署区域：us-east-1, eu-central-1, ap-southeast-1
经验：流式优先设计使特征实时可用；集中特征定义确保一致性和可重用性；分层存储策略平衡延迟与成本；监控特征存储健康和延迟防止静默退化；跨职能协作加速特征开发与部署