1. 布景介绍

站点新功能或是站内新策略开辟完毕之后，在全流量上线之前要评估新功能或新策略的优劣，常常使用的评估体例是A-B测试，做法是在全量中抽样出两份小流量，别离走新策略分支和旧策略分支，通过对比这两份流量下的各指标的差别，我们可以评估出新策略的优劣，进而决定新策略是否全流量。

上文中提到的抽样是指依照某种确定的随机化体例，对线上流量进行划分。抽样可以指这种划分的体例，也可以指划分取得的一个流量子集。抽样是一种特殊的小流量，要求对流量的划分必须包管平均性和随机性，并且可以按照需求过滤失落不适合规范的部分，我们把抽样的过程分为流量切分和流量筛选两个步调，流量切分是指把全流量进行平均的打散，提取出其中固定的流量比例，流量筛选是对流量切分的辅助，筛选过程就是从切分好的流量中过滤失落不适合规范的部分，本文主要涉及的是流量切分的实现。

2. 单层流量切分架构

做到流量切分的常常使用的体例是单层流量切分，流量切分需要以某种体例进行，即流量切分的打散依据，例如，我们可以依据流量中的cookie打散，或是随机打散等，打散的体例不合，切分的对象全集也就不合了，如果我们依据cookie打散，那么我们的切分对象全集就是所有的cookie，如果是随机打散，那么我们的切分对象全集就是该站点的所有的流量。

图1.1 单层流量切分架构示意图

有了上面的想法，我们如何实现单层流量切分呢？如图1.1所示，我们依照指定的流量切分体例，将所需要的输入参数先颠末一次hash计较，产生成果的平均性和随机性由hash算法来包管，有了hash产生的成果，流量切分的过程还没有结束，我们还需要将hash成果对应到切分对象的全集上面，实现体例是将切分对象全集看作是一个区间段，然后将hash成果对应到区间段上面，区间的年夜小是切分的最小粒度决定的，例如，如果需要最小切分粒度为0.01%，则我们选取的区间段为［0，9999］，有了区间段的定义，我们可以将hash成果对一个数值取模，这个数值等于区间段最年夜值加1，取模之后的成果可以唯一的对应到切分对象全集区间上面，这样我们就将所有的流量打到了流量切分对象全集上面。

最后，我们再将区间段依照实验需求细分，划分成若干子区间，用作于实验对比，例如下图所示，将整个100%的区间分为多个子区间，每个子区间使用唯一的编号——sid，作为区间的唯一的标识，sid=1的子区间对应的流量为1%，那么它的子区间就是［0，99］，同理，sid=2的第二个1%的子区间对应的区间值为［100，199］，这样我们就将一个100%的完整区间划分成了若干个子区间，两个比例相同的子区间便可以用作于实验策略对比。

图1.2 流量子区间的划分

3. 可复用流量的多层流量切分架构

这种单层流量切分体例是一种独有式的流量切分体例，一个子区间只能供给一个实验使用，一个请求只能命中一个实验，优点是实验之间解藕，不相互影响，缺点是资源有限，流量分派完毕之后，后续的需求将处于持久的期待与饥饿状态，这种独有式的流量切分体例，显然在实验需求不竭增加的情况下是完全不克不及满足的，为体会决独有的问题，我们可以采取多层流量切分体例。

多层流量切分的思想是将单层布局扩大为多层布局，如下图所示，多层之间必须满足正交性，这里多层之间的正交性是指某一层的任何一个子区间可以随机的、平均的对应到其他层上面，这样我们就把一个子区间对其他层的影响平均的分离到整个层上面。

多层流量切分架构可以将实验流量从100%扩大到100%*n，也就说每层中的流量我们都可以用做于实验对比，一次请求可以同时命中多个实验，实验流量是复用的，多层流量是满足不合层的实验之间的影响都是平均、可预估的，展开多层实验的前提是包管这种实验间的影响是可接管的，有一些实验是不允许任何复用，例如，展现类的实验，如果两个实验各自指定了一套展现样式模板，而从展现模块的角度来讲一次请求只能展现一种样式模板，因此，这里不兼容的实验只能位于同一层中。