2. 灰度发布基础概念
2.1 什么是灰度发布
灰度发布（Gray Release / Canary Release）是一种渐进式的版本上线策略。在授信决策场景中，新模型或策略不会一次性全量上线，而是先让一小部分用户或流量使用新版本，观察其效果与稳定性，确认无误后再逐步扩大范围，直至全量覆盖。
其核心思想是：小范围验证、快速回滚、逐步放量。在Champion Challenger框架中，灰度发布是连接离线评估与全量上线的关键桥梁，能有效降低模型误杀、坏账飙升等生产风险。
灰度发布在授信决策中的价值：
- 风险隔离：新模型（Challenger）仅影响小部分用户，即使出现严重偏差，损失可控。
- 效果验证：在真实生产流量下验证模型区分度、排序稳定性和业务指标。
- 回滚敏捷：发现异常可立即切换回旧模型（Champion），无需全量回滚。
2.2 灰度策略类型
在授信决策系统中，灰度策略的选择直接影响实验的置信度与风险暴露程度。常见的灰度策略分为以下三种类型：
| 策略类型 | 核心原理 | 授信场景适用性 | 典型风险 |
|---|---|---|---|
| 按用户灰度 | 基于用户ID、手机号、设备指纹等标识进行Hash取模，将特定用户群体划入实验组 | 高。可控制同一用户始终使用同一模型，避免决策不一致 | 用户画像偏差导致实验组与对照组分布不均 |
| 按流量灰度 | 按请求比例随机分配，如5%的请求走新模型，95%走旧模型 | 中。适合高并发场景，但同一用户可能在不同请求中体验不一致 | 用户重复申请时模型切换，造成审批结果波动 |
| 按地域灰度 | 按用户所在省份、城市或IP归属地进行划分 | 中高。适合区域性风控策略调整，如特定地区坏账率偏高 | 地域样本量不均，小省份数据稀疏导致统计无效 |
授信决策最佳实践：推荐优先使用按用户灰度策略，结合用户ID的Hash分桶。这样能保证同一用户在不同时间点的授信决策一致性，避免因模型切换导致的用户体验问题。同时，按用户灰度也便于后续进行用户维度的长期效果追踪。
2.3 灰度发布 vs 蓝绿部署 vs 金丝雀发布
这三种发布策略常被混淆，但在授信决策场景中，它们的适用阶段和风险特征有明显差异。下表从多个维度进行对比：
| 对比维度 | 灰度发布 | 蓝绿部署 | 金丝雀发布 |
|---|---|---|---|
| 核心思想 | 逐步放量，渐进替换 | 两套环境（蓝/绿）瞬间切换 | 先让小部分流量（金丝雀）试跑 |
| 切换速度 | 慢，分多阶段放量 | 快，一次性全量切换 | 中等，先小流量再全量 |
| 回滚成本 | 低，随时可缩量 | 低，切回旧环境即可 | 低，停止金丝雀流量 |
| 资源占用 | 低，共用一套生产环境 | 高，需同时维护两套完整环境 | 低，仅额外部署少量实例 |
| 授信场景适用性 | 最适用。Champion Challenger天然需要逐步放量验证 | 不适用。模型切换需要观察期，瞬间全量切换风险极高 | 可作为灰度发布的一个子阶段 |
| 典型问题 | 灰度期间需处理数据一致性 | 数据库兼容性问题可能导致切换失败 | 金丝雀实例负载异常可能掩盖模型问题 |
2.4 灰度发布在Champion Challenger中的定位
在授信决策的Champion Challenger体系中，灰度发布不是可选项，而是必选项。离线回测（Backtesting）无法完全模拟生产环境的数据分布、用户行为与系统负载，只有通过灰度发布才能获得真实的业务反馈。
常见避坑点：
- 灰度比例过小：低于1%的灰度流量可能导致统计显著性不足，无法判断新模型是否优于旧模型。
- 灰度时间过短：授信决策需要观察完整贷款周期（至少一个账期），仅灰度几小时就全量上线风险极高。
- 忽略灰度期间的监控：必须建立实时监控看板，关注通过率、平均额度、坏账率、响应时间等核心指标。