4. 灰度发布策略设计

灰度发布（Canary Release / Gray Release）是金融行情系统从“全量发布”走向“可控发布”的核心手段。在行情规则与特征服务场景下，灰度策略决定了哪些用户、哪些流量、哪些地域会率先使用新规则，从而在最小爆炸半径内验证规则正确性。本章详细拆解四种主流灰度策略：基于用户ID、基于地域、基于流量百分比、基于规则，并给出组合使用的最佳实践。

4.1 灰度策略总览

四种策略在金融行情系统中的适用场景、隔离粒度、实现复杂度各有不同。下表从关键维度进行横向对比：

4.2 基于用户ID的灰度

这是最直观、最常用的灰度策略。通过维护一个灰度用户白名单，只有名单内的用户才会命中新规则。在金融行情系统中，通常使用用户ID（如券商客户号、交易员编号）的哈希值取模，或者直接维护一个显式列表。

4.2.1 实现方式

• 显式白名单： 在配置中心（如Nacos、Apollo）维护一个灰度用户ID列表，新规则只对列表内用户生效。
• 哈希取模： 对用户ID计算哈希值，然后对100取模，落在指定区间（如0-5）的用户命中灰度。
• 用户标签： 基于用户画像标签（如“内部测试员”、“VIP机构客户”）动态匹配灰度规则。

4.2.2 代码示例：哈希取模灰度过滤器

public class UserIdGrayFilter implements GrayFilter {
    private static final int GRAY_PERCENT = 5; // 灰度比例5%
    private static final int MOD_BASE = 100;

    @Override
    public boolean shouldApplyGray(String userId, GrayContext context) {
        if (userId == null) return false;
        int hash = Math.abs(userId.hashCode()) % MOD_BASE;
        return hash < GRAY_PERCENT;
    }
}

4.3 基于地域的灰度

金融行情系统通常部署在多个数据中心或云区域，不同地域的监管要求、网络延迟、用户习惯差异较大。基于地域的灰度允许运维人员按城市、省份、数据中心等维度逐步放量。

4.3.1 地域灰度路由表

系统维护一张地域-规则版本映射表，当请求到达时，根据请求来源IP解析出地域编码，再查询该地域应使用的规则版本。

4.3.2 地域灰度流程图

4.4 基于流量百分比的灰度

这是最灵活的渐进式放量策略。运维人员可以设置一个0-100%的灰度比例，系统按比例随机将请求路由到新规则。在金融行情系统中，通常结合请求ID或会话ID的哈希值来实现确定性路由，保证同一用户在一次会话内灰度状态一致。

4.4.1 流量百分比灰度算法

public class PercentageGrayFilter implements GrayFilter {
    private volatile int grayPercent; // 动态调整，从配置中心读取

    @Override
    public boolean shouldApplyGray(String requestId, GrayContext context) {
        if (requestId == null) return false;
        int hash = Math.abs(requestId.hashCode()) % 100;
        return hash < grayPercent;
    }

    // 配置中心回调，动态更新灰度比例
    public void onGrayPercentChanged(int newPercent) {
        this.grayPercent = Math.max(0, Math.min(100, newPercent));
    }
}

4.4.2 渐进式放量阶段

4.5 基于规则的灰度

这是最精细、也最复杂的灰度策略。它不是按用户或地域划分，而是按业务规则本身的维度进行灰度。例如：只对“科创板股票”的行情规则进行灰度，或者只对“Level-2快照”的推送频率进行灰度。

4.5.1 规则灰度条件表达式

基于规则的灰度通常使用条件表达式引擎（如Aviator、Drools、自研规则引擎）来定义灰度条件。条件可以组合多个维度：

// 规则灰度条件示例（伪代码）
rule "科创板行情灰度" {
    when
        $market == "SH" &&
        $securityType == "STAR" &&
        $quoteType == "SNAPSHOT" &&
        $time.between("09:30", "11:30")
    then
        applyGrayRule("v2.1.0-star-snapshot");
}

5.2 规则灰度架构图

4.5.3 规则灰度与特征服务的结合

在特征服务场景中，基于规则的灰度可以精确控制特征计算逻辑的切换。例如：

• 特征版本灰度： 只对“沪深300成分股”启用新的波动率特征计算逻辑。
• 特征源灰度： 只对“港股通”股票切换特征数据源（从交易所直连改为第三方数据商）。
• 特征组合灰度： 只对“期权合约”启用新的特征组合规则（如隐含波动率曲面插值算法）。

4.6 灰度策略组合设计

在实际金融行情系统中，单一灰度策略往往无法满足复杂需求。推荐使用分层组合的方式：

1. 第一层：地域灰度 — 先按地域切分，确保监管合规。
2. 第二层：用户ID灰度 — 在地域内，再按用户ID白名单或哈希取模缩小范围。
3. 第三层：规则灰度 — 在用户维度上，再按业务规则条件精确控制。
4. 第四层：流量百分比 — 作为最终的安全阀，控制整体灰度流量比例。

4.6.1 组合灰度决策流程

public class CompositeGrayFilter {
    private List<GrayFilter> filters; // 按优先级排序

    public boolean shouldApplyGray(Request request) {
        for (GrayFilter filter : filters) {
            if (!filter.shouldApplyGray(request)) {
                return false; // 任一条件不满足，不灰度
            }
        }
        return true; // 所有条件满足，命中灰度
    }
}

4.7 灰度策略监控与回滚

无论采用哪种灰度策略，都必须配套实时监控和自动回滚机制。以下是灰度发布期间必须监控的核心指标：