2. 试验分层原理：流量分层的基本概念、层与层之间的正交关系、同层互斥与跨层复用的设计原则

在大型产品增长体系中，单一试验往往无法满足多团队、多策略并行验证的需求。流量分层（Traffic Layering）正是为了解决“如何在有限流量下安全、高效地运行大量试验”而设计的核心架构。理解分层原理，是评估试验效果的前提。

2.1 流量分层的基本概念

流量分层是指将全部用户流量按照某种逻辑划分为多个独立的“层”（Layer），每个层可以独立运行一个或多个试验。层与层之间通过正交（Orthogonal）关系保证用户分配的均匀性与独立性。

2.2 层与层之间的正交关系

正交关系是流量分层架构的数学基础。它保证：对于任意两个不同的层 L1 和 L2，用户 u 在 L1 中被分配到某个试验组的事件，与 u 在 L2 中被分配到某个试验组的事件是独立的。

正交的实现通常依赖哈希函数 + 独立盐值（Salt）：

// 伪代码示例：正交分配逻辑
function assignUserToLayer(userId, layerSalt, totalBuckets) {
    // 使用 userId 与 layerSalt 拼接后哈希
    hashValue = hash(userId + layerSalt);
    // 取模得到桶编号
    bucket = hashValue % totalBuckets;
    return bucket;
}

// 不同层使用不同的 salt，保证同一 userId 在不同层落入不同桶
layer1_bucket = assignUserToLayer(userId, "layer_1_salt", 1000);
layer2_bucket = assignUserToLayer(userId, "layer_2_salt", 1000);

2.3 同层互斥与跨层复用的设计原则

在分层架构中，同层互斥和跨层复用是两个必须同时遵守的核心设计原则，它们共同保障了试验的统计有效性与流量利用效率。

2.3.1 同层互斥原则

同一层内的多个试验必须互斥，即一个用户在同一层中只能被分配到一个试验（或对照组）。如果同一层内两个试验同时作用于同一个用户，将导致效果无法归因，且可能产生交互干扰。

• 实现方式： 将层内的流量桶划分为多个互斥的区间，每个试验独占一组桶。
• 典型场景： 首页改版试验（A/B测试）与推荐算法试验在同一层互斥运行。
• 避坑提示： 切勿在同一层内对同一用户叠加多个试验，否则统计结果将完全失效。

2.3.2 跨层复用原则

不同层之间的试验可以复用同一用户。即一个用户可以同时参与层1的试验A、层2的试验B、层3的试验C。这是分层架构的核心优势——一份流量，多份产出。

• 实现方式： 依赖正交哈希，确保用户在不同层的分配独立。
• 典型场景： 用户体验团队在层1测试新UI，算法团队在层2测试新推荐模型，增长团队在层3测试新推送策略。
• 注意事项： 跨层复用虽然高效，但需警惕“间接干扰”——层1的UI变化可能影响用户在层2中的行为，但正交设计保证了这种干扰在统计上是无偏的。

2.4 分层架构的常见模式

在实际工程中，根据业务规模和团队结构，分层架构通常有以下三种模式：

1. 单层模式： 所有试验都在同一层互斥运行。适合小团队、低并发场景，但流量利用率低。
2. 多层独立模式： 每个团队或每个产品模块拥有独立层，层间正交。适合中型团队，是当前主流模式。
3. 混合模式： 部分层互斥（如核心UI层），部分层正交（如算法层、策略层）。适合大型组织，兼顾安全与效率。