4. 流量切分机制：保证 Champion 与 Challenger 公平对比

在风控网关中，Champion（冠军模型/当前生产模型）与 Challenger（挑战者模型/待验证模型）的对比实验，其核心前提是流量切分的公平性与一致性。若切分策略存在偏差，实验结论将不可信。本章深入剖析三种主流切分策略：用户ID哈希、时间片轮转、随机采样，并给出生产级组合方案。

4.1 流量切分的三大核心原则

任何切分策略必须满足以下条件，才能保证A/B实验的统计有效性：

4.2 策略一：基于用户ID的哈希切分

这是最常用的确定性切分方式。将用户ID（或设备ID、订单ID）作为哈希键，通过取模运算映射到指定分组。

• 算法： group_id = hash(user_id) % N，其中 N 为分组总数（Champion + Challenger）。
• 优点： 严格确定性，同一用户永远在同一组；实现简单，性能高。
• 缺点： 若用户ID分布不均匀（如ID递增），可能导致分组流量倾斜；调整分组比例时需要重新哈希，影响存量用户。

// 伪代码：基于用户ID的哈希切分
public class HashSplitter {
    private static final int TOTAL_BUCKETS = 100; // 总桶数

    public String assignGroup(String userId, int championPercent) {
        int bucket = Math.abs(userId.hashCode()) % TOTAL_BUCKETS;
        if (bucket < championPercent) {
            return "Champion";
        } else {
            return "Challenger";
        }
    }
}

4.3 策略二：基于时间片的轮转切分

将时间划分为固定长度的窗口（如5分钟、1小时），按时间窗口交替分配流量。适用于需要快速切换实验、或无法获取用户ID的场景。

• 算法： group_id = floor(timestamp / time_slice) % N。
• 优点： 无需用户标识，适合匿名流量；调整比例即时生效。
• 缺点： 同一用户在不同时间窗口可能进入不同分组，破坏确定性；若时间窗口过短，模型频繁切换影响缓存效率。

4.4 策略三：基于随机采样的流量切分

对每个请求生成一个随机数，根据随机数落入的区间决定分组。通常配合种子（seed）实现伪随机，保证可复现。

• 算法： group_id = (random(seed + request_id) % 100) < champion_percent ? "Champion" : "Challenger"。
• 优点： 流量分布最均匀，理论上无偏差；分组比例可任意调整。
• 缺点： 需要维护随机数种子状态；若种子设计不当，可能破坏确定性。

4.5 生产级组合策略：分层哈希 + 时间片兜底

单一策略无法应对所有场景。生产环境推荐使用分层哈希为主、时间片兜底为辅的组合方案：

1. 第一层（主策略）： 按用户ID哈希，将流量分配到 100 个基础桶。
2. 第二层（实验层）： 每个实验独立配置哪些桶进入 Champion/Challenger，支持动态调整。
3. 兜底策略： 当用户ID为空（如匿名请求）时，降级为时间片轮转。

4.6 流量切分的监控与校验

切分策略上线后，必须建立实时监控，确保分组公平性不被破坏：

• 流量比例偏差监控： 每分钟统计 Champion/Challenger 的请求量比例，偏差超过 ±2% 触发告警。
• 特征分布一致性校验： 每小时对比两组的用户地域、设备类型、请求时段分布，使用 KS 检验或卡方检验。
• 确定性校验： 对同一用户 ID 连续发送 10 次请求，验证其始终落入同一分组。

4.7 常见问题与避坑清单