3、分流原理：随机分流、分层分流、分流比例设计、流量隔离策略

A/B 分流是模型验证的基石，其核心目标是将线上流量按照既定规则、无偏地分配到不同实验组（如对照组、实验组），并保证各组之间的独立性。本章深入剖析四种核心分流机制：随机分流、分层分流、分流比例设计以及流量隔离策略。

3.1 随机分流

随机分流是最基础、最常用的分流方式。它依赖哈希函数或伪随机数生成器，将每个请求（或用户）均匀地映射到不同的实验组中。

• 原理：对请求的唯一标识（如 UserID、DeviceID、SessionID）进行哈希运算，将哈希值对总流量百分比取模，从而决定其归属的实验组。
• 优点：实现简单，计算开销低，在流量足够大时能保证各组特征分布的一致性。
• 缺点：在小流量场景下，可能因随机波动导致各组样本特征分布不均，影响实验结论的可靠性。

以下流程图展示了随机分流的核心逻辑：

3.2 分层分流

分层分流（Stratified Split）旨在解决随机分流在小流量或高敏感度场景下的样本偏差问题。它先将用户按照关键特征（如新老用户、用户等级、地域、设备类型）划分为若干层（Stratum），然后在每一层内部独立进行随机分流。

• 原理：保证每个实验组在各层中的样本比例与总体一致，从而消除层间差异对实验结果的干扰。
• 适用场景：用户群体异质性高、实验指标对样本分布敏感、或实验流量较小的场景。
• 实现方式：通常通过两层哈希实现——第一层哈希确定用户所属的层，第二层哈希在层内进行随机分组。

分层分流与随机分流的对比表如下：

以下示意图展示了分层分流的数据流向：

3.3 分流比例设计

分流比例决定了各实验组分配到的流量大小。合理的比例设计需要在统计功效、实验风险和业务影响之间取得平衡。

• 常见比例：50%/50%（两组均分）、10%/90%（小流量实验）、1%/99%（极低风险实验）。
• 设计原则：
  1. 最小可检测效应（MDE）：根据预期效果大小和所需样本量反推最小比例。
  2. 业务容忍度：实验组比例越高，潜在负面影响越大，需评估业务风险。
  3. 多实验共存：多个实验同时运行时，需确保总流量分配不超过100%。

不同场景下的推荐分流比例参考：

3.4 流量隔离策略

流量隔离策略用于确保不同实验之间互不干扰，避免“流量污染”导致实验结论失真。常见的隔离策略包括：

• 用户级隔离：以 UserID 为粒度，一个用户在整个实验周期内只能属于一个实验组。这是最严格的隔离方式，适用于用户行为强相关的模型（如推荐、广告）。
• 请求级隔离：以每次请求为粒度，同一用户的不同请求可能被分到不同实验组。适用于无状态或会话无关的模型（如实时翻译、图像识别）。
• 分层隔离（域隔离）：将流量划分为多个独立的“域”（Domain），每个域运行独立的实验。不同域之间的流量完全隔离，互不重叠。

以下代码片段展示了基于用户ID的简单流量隔离实现：

import hashlib

def assign_experiment(user_id: str, total_buckets: int = 100) -> int:
    """
    基于用户ID进行流量隔离和实验组分配。
    使用MD5哈希确保均匀分布。
    """
    hash_value = int(hashlib.md5(user_id.encode()).hexdigest(), 16)
    bucket = hash_value % total_buckets
    return bucket

# 示例：将用户分配到不同的实验域
def get_experiment_group(user_id: str, domain: str) -> str:
    bucket = assign_experiment(f"{domain}:{user_id}")
    if bucket < 10:
        return "对照组"
    elif bucket < 60:
        return "实验组A"
    else:
        return "实验组B"

三种隔离策略的对比总结：