19-EFT.WP.Methods.SynthData v1.0 | 第3章 数据模型与模式绑定（Schema/SRef）

目录 ／ 文档-技术白皮书 ／ 19-EFT.WP.Methods.SynthData v1.0

第3章 数据模型与模式绑定（Schema/SRef）

I. 范围与对象

1. 目标
   • 建立合成数据的统一模式 SRef 与注册体系 schema_reg，完成从异构 D_real 到规范化 D_ref 的模式绑定。
   • 定义字段级与关系级的约束（键、单位与量纲、可空性、枚举、范围、分辨率、时间/路径语义），为后续生成、评估与发布提供唯一口径。
2. 输入
   • 源模式与样本：schemas_raw = {schema_i}, D_real。
   • 约束与策略：Rules, policy.units, policy.nulls, policy.enums。
   • 时间/路径锚定：tau_mono, ts, gamma(ell)。
3. 输出
   • 统一模式 SRef、别名映射 alias_map、单位/量纲声明 unit/dim、关系与索引集 {pk,fk,idx_k}。
   • 模式绑定产物 D_ref、校核报告 report_schema、清单 manifest.synth.schema.*。
4. 边界与假设
   • 不接受隐式字段推断；衍生字段需发布谱系 lineage 与 hash_sha256(blob)。
   • 涉及到达时量的字段必须具备两口径与 delta_form（见第2章 P402-5）。

II. 名词与变量

• 模式与注册：SRef（canonical schema）, schema_reg（registry）, alias_map : name_src -> name_ref。
• 字段元数据：name, role, dtype, unit(x), dim(x), nullable ∈ {0,1}, enum, range=[lo,hi], resolution Δx。
• 键与关系：pk, fk(parent.child), idx_k, cardinality ∈ {1:1, 1:N, N:M}。
• 时间与路径：ts, tau_mono, T_arr, gamma(ell), offset/skew/J。
• 保留与追溯：rid, sid, pid, TraceID, signature。
• 多模态绑定：bundle = {tabular, image, text, audio, graph}, view_id。

III. 公设 P403-*（Schema/SRef 不可协商项）

• P403-1（唯一口径）：SRef 是字段与关系的单一事实源（SSOT），任何实现以其为准并版本化。
• P403-2（键与关系）：unique(pk)，foreign_key 完整，无孤儿记录；cardinality 明示且受约束。
• P403-3（单位与量纲）：进入计算的字段均声明 unit(x), dim(x) 并通过 check_dim(expr)。
• P403-4（时间与到达时）：时间窗口在 tau_mono 评估，对外以 ts 发布；到达时字段强制两口径与 delta_form。
• P403-5（命名与冲突）：冲突名禁用：T_fil 与 T_trans 不可混用；n 与 n_eff 严格区分；别名经 alias_map 统一。
• P403-6（可空与缺失）：缺失以 m ∈ {0,1} 标注，不允许隐式填值（见第7章）。
• P403-7（多模态一致）：多视图 view_id 对齐，跨模态字段遵循共享主键或显式映射。
• P403-8（可追溯）：lineage、hash_sha256(blob) 与 signature 发布到清单。
• P403-9（兼容与闭包）：SRef 版本变更满足向后兼容闭包或提供迁移映射。
• P403-10（合规前置）：包含敏感字段时必须在模式层完成去识别/最小化（见第10章隐私）。

IV. 最小方程 S403-*（Schema/SRef 必要式）

1. S403-1（模式覆盖度）
   • cov_schema = | F_real ∩ F_sref | / | F_sref |
   • cov_req = | F_required ∩ F_real | / | F_required |，要求 cov_req ≥ cov_req_min。
2. S403-2（单位仿射转换）
   x_SI = a * x_raw + b，其中 a,b 由 unit(x_raw) -> unit(x_SI) 决定；断言 check_dim( x_SI - ( a * x_raw + b ) ) = true。
3. S403-3（类型转换损失）
   loss_cast = E[ | x - cast( x ; dtype_src -> dtype_dst ) | ]，要求 loss_cast ≤ tol_cast。
4. S403-4（时间映射与抖动）
   ts = map_tau_to_ts( tau_mono; offset, skew )，并测 J（抖动）。
5. S403-5（到达时两口径差）
   delta_form = | ( 1 / c_ref ) * ( ∫ n_eff d ell ) - ( ∫ ( n_eff / c_ref ) d ell ) |。
6. S403-6（参照完整性）
   orphan_rate = 1 - ( | join(parent.pk = child.fk) | / | child | )，要求 orphan_rate = 0。
7. S403-7（索引选择性）
   sel(idx_k) = 1 - ( | distinct(idx_k) | / | D_ref | )，用于评估查询与流式联接成本。

V. 合成流程 M40-3（模式绑定）

• 就绪
  汇总 schemas_raw 与样本；冻结保留键 {rid,sid,pid,TraceID}；建立 alias_map 草案；收集 unit/dim/enum/range。
• 设计 SRef
  为每个字段定义 {role,dtype,unit,dim,nullable,enum,range,resolution}；声明 {pk,fk,idx_k,cardinality}；标注时间/路径语义与到达时字段。
• 绑定
  执行 standardize_names 与 repair_units；建立 m 掩码；类型与单位归一；计算 ts 与 T_arr 两口径。
• 校核
  评估 cov_schema, cov_req, loss_cast, orphan_rate, delta_form, offset/skew/J；运行 check_dim 与键/关系断言。
• 落盘
  生成 D_ref、report_schema、manifest.synth.schema（含版本、索引、时基、到达时、度量与签名）。
• 版本与迁移
  若版本升级，生成 migrate_map(v_k -> v_{k+1}) 与兼容性证明；记录回退点与审计轨。

VI. 契约与断言 C40-31x（Schema/SRef）

• C40-311（覆盖度）：cov_req ≥ cov_req_min 且 cov_schema ≥ cov_schema_min。
• C40-312（唯一与参照）：unique(pk)=true，foreign_key 全通过，orphan_rate=0。
• C40-313（单位与量纲）：check_dim(expr)=true，unit_map 完备；loss_cast ≤ tol_cast。
• C40-314（时间/到达时）：non_decreasing(tau_mono)，delta_form ≤ tol_Tarr，J ≤ J_max。
• C40-315（命名冲突）：forbid_conflict_names = true，alias_map 全覆盖且无二义性。
• C40-316（多模态一致）：bundle 内 view_id 一致，跨模态 join 通过契约测试。
• C40-317（追溯与签名）：manifest.synth.schema.signature 有效，hash_sha256(blob) 与 TraceID 存档。

VII. 实现绑定 I40-*（接口原型与不变量）

• I40-31 design_synth_spec(schema, goals, constraints) -> SynthSpec
• I40-32 register_schema(SRef) -> schema_id（版本化、依赖闭包）
• I40-33 standardize_names(ds, registry) -> ds'
• I40-34 repair_units(ds, policy) -> report_units
• I40-35 validate_dataset(ds, SRef, rules) -> report_schema（键/关系/量纲/时间/到达时/命名冲突）
• I40-36 bind_modalities(bundle, SRef) -> bundle'（跨模态对齐与键一致）
• I40-37 migrate_schema(ds, from_ver, to_ver, migrate_map) -> ds'
• I40-38 emit_schema_manifest(SRef, report) -> manifest.synth.schema
• 不变量：unique(schema_id)；alias_map 无环且单射；sum(missing_mask) = count_nullables + violations；loss_cast ≤ tol_cast；delta_form ≤ tol_Tarr。

VIII. 交叉引用

• 见《Methods.Cleaning v1.0》 第3章（标准输入与模式绑定）、第4章（单位与量纲）、第5章（时间轴与同步）、第6章（路径与到达时）、第10章（发布冻结）。
• 见《Methods.Imaging v1.0》 第9章（几何标定与配准，跨模态键的一致性）。
• 见《Methods.CrossStats v1.0》 第7章（漂移与对齐，枚举/分布漂移下的模式稳定性度量）。
• 见《EFT.WP.Core.DataSpec v1.0》 与《Core.Threads v1.0》 的键、索引与执行图约束。

IX. 质量度量与风控

1. 指标集
   cov_schema, cov_req, loss_cast, orphan_rate, enum_drift, schema_bind_latency_p99, timing.{offset,skew,J}, arrival.delta_form。
2. 风控策略
   • 覆盖不足：阻断发布，触发字段收敛与数据补采。
   • 参照失败：回滚本次绑定并进入隔离区；生成孤儿修复工单。
   • 单位/量纲失败：拒绝后续生成环节，要求修正 unit_map。
   • 到达时超阈：复核 gamma(ell) 与 n_eff/c_ref 口径，必要时重算。
   • 多模态不一致：降级为单模态发布或延后发布并出具对齐计划。

小结

• 本章给出 SRef 的设计与绑定闭环：以 P403-* 约束不变，以 S403-* 定义可计算指标，以 M40-3、C40-31x、I40-* 实现“就绪→绑定→校核→落盘→版本迁移”的标准流程。
• 产出物包括：规范化数据 D_ref、SRef、alias_map、report_schema 与 manifest.synth.schema.*，为后续生成引擎与合规发布提供坚实基座。