4. 流量分配策略：均匀分配、比例分配、动态分配、基于用户ID的哈希分配方法

流量分配是分层试验的基石。错误的分配策略会导致样本偏差、组间不均衡，甚至使整个试验失效。本章系统讲解四种核心分配策略的原理、适用场景与实现要点。

4.1 四种分配策略对比总览

4.2 均匀分配（Equal Allocation）

均匀分配是最基础的流量分配方式。假设总流量为 100%，试验有 k 个组，则每组获得 100%/k 的流量。

# Python 示例：均匀分配
import random

def uniform_assign(user_id, num_groups):
    """将用户均匀分配到 num_groups 个组中"""
    return random.randint(0, num_groups - 1)

# 使用示例：将用户分配到 4 个组
group = uniform_assign("user_12345", 4)
print(f"用户分配到组: {group}")  # 输出: 0, 1, 2, 3 之一

4.3 比例分配（Proportional Allocation）

比例分配允许试验设计者按业务需求设定各组流量权重。例如，控制组占 50%，实验组 A 占 30%，实验组 B 占 20%。

# Python 示例：比例分配
import random

def proportional_assign(user_id, weights):
    """
    按权重列表分配用户
    weights: 各组的权重列表，如 [0.5, 0.3, 0.2]
    """
    r = random.random()
    cumulative = 0
    for i, w in enumerate(weights):
        cumulative += w
        if r < cumulative:
            return i
    return len(weights) - 1

# 使用示例：50% 控制组，30% 实验组A，20% 实验组B
group = proportional_assign("user_12345", [0.5, 0.3, 0.2])
print(f"用户分配到组索引: {group}")

4.4 动态分配（Dynamic Allocation）

动态分配根据试验过程中的实时效果数据，动态调整各组的流量比例。最典型的实现是 Multi-Armed Bandit (MAB) 算法。

# Python 示例：Epsilon-Greedy 动态分配
import random
import math

class EpsilonGreedy:
    def __init__(self, num_arms, epsilon=0.1):
        self.num_arms = num_arms
        self.epsilon = epsilon
        self.counts = [0] * num_arms
        self.values = [0.0] * num_arms
    
    def select_arm(self):
        if random.random() < self.epsilon:
            return random.randint(0, self.num_arms - 1)  # 探索
        else:
            return self.values.index(max(self.values))  # 利用
    
    def update(self, chosen_arm, reward):
        self.counts[chosen_arm] += 1
        n = self.counts[chosen_arm]
        value = self.values[chosen_arm]
        self.values[chosen_arm] = ((n - 1) * value + reward) / n

# 使用示例
bandit = EpsilonGreedy(3, epsilon=0.1)
for _ in range(1000):
    arm = bandit.select_arm()
    reward = 1 if random.random() < 0.3 else 0  # 模拟奖励
    bandit.update(arm, reward)
print(f"各臂最终价值: {bandit.values}")

4.5 基于用户ID的哈希分配（Hash-Based Allocation）

这是分层试验中最推荐的分配方式。通过对用户 ID 进行哈希运算，将用户映射到固定的试验组。其核心优势是确定性：同一用户在不同时间、不同试验层中，只要使用相同的哈希种子，就会被分配到同一组。

# Python 示例：基于用户ID的哈希分配
import hashlib

def hash_assign(user_id, num_groups, salt=""):
    """
    使用 MD5 哈希将用户分配到 num_groups 个组中
    salt: 试验层标识，用于不同层产生不同的分组
    """
    key = f"{user_id}:{salt}"
    hash_val = int(hashlib.md5(key.encode()).hexdigest(), 16)
    return hash_val % num_groups

# 使用示例：在"推荐算法层"将用户分配到 4 个组
group = hash_assign("user_12345", 4, salt="recommend_layer_v1")
print(f"用户在推荐算法层的分组: {group}")

# 同一用户在"UI 样式层"的分组
group_ui = hash_assign("user_12345", 4, salt="ui_layer_v1")
print(f"用户在 UI 样式层的分组: {group_ui}")

4.6 哈希分配与分层正交的 SVG 架构图

4.7 四种策略的选择决策流程

4.8 实践中的常见陷阱与避坑指南