2. 分流原理与流量分配

分流（Traffic Split）是 Champion Challenger 实验的基石。其核心目标是将用户流量按照既定规则划分到不同实验组（Champion 组、Challenger 组），确保各组在统计意义上具有可比性，从而让后续的指标对比归因于策略差异而非流量偏差。

2.1 分流的基本概念

分流本质上是一个映射函数：给定一个用户标识（如 user_id、device_id）和实验配置，输出该用户应进入的实验组编号。一个标准的分流系统包含以下要素：

• 实验层（Layer）：一个独立的流量划分空间，不同层之间流量正交。
• 实验组（Bucket/Variant）：同一层内的不同策略版本，如 Control（Champion）和 Treatment（Challenger）。
• 分流单元（Unit）：被分配的最小实体，通常为用户 ID 或会话 ID。
• 流量比例（Traffic Ratio）：每组应占的流量百分比，总和为 100%。

2.2 流量切分策略

根据业务场景和技术选型，常见的流量切分策略有三种：随机分流、哈希分流和分层分流。下表对比了它们的核心差异：

2.3 哈希分流详解

哈希分流是生产环境中最常用的策略。其工作流程如下：

1. 输入：用户标识（如 user_id = "user_12345"）和实验层标识（如 layer = "recommend_v2"）。
2. 拼接：将用户标识与层标识拼接成字符串，如 "user_12345:recommend_v2"。
3. 哈希：使用 MurmurHash3 或 MD5 计算拼接字符串的哈希值，得到一个 32 位或 128 位的整数。
4. 取模：将哈希值对 100 取模（或对 10000 取模以获得更高精度），得到 0–99 之间的整数。
5. 映射：根据预配置的流量比例，将模值映射到具体实验组。

以下是一个 Python 风格的哈希分流伪代码示例：

import hashlib

def assign_bucket(user_id, layer, buckets):
    """
    user_id: 用户标识字符串
    layer: 实验层名称
    buckets: 列表，每个元素为 (bucket_name, ratio)，ratio 为百分比整数
    """
    raw = f"{user_id}:{layer}"
    hash_val = int(hashlib.md5(raw.encode()).hexdigest(), 16)
    mod_val = hash_val % 100

    cumulative = 0
    for name, ratio in buckets:
        cumulative += ratio
        if mod_val < cumulative:
            return name
    return buckets[-1][0]  # 兜底返回最后一组

2.4 分层分流架构

当平台同时运行多个实验时，分层分流可以避免流量冲突。其核心思想是：将全部流量视为一个整体，通过层（Layer）进行逻辑隔离。每个层拥有独立的哈希空间，用户在不同层之间被独立分配，从而实现正交性。

下图展示了分层分流的基本架构：

2.5 流量比例配置

流量比例的配置直接影响实验的统计功效和风险控制。常见的配置模式包括：

• 50/50 均分：Champion 和 Challenger 各占 50%。适用于风险较低、需要快速得出结论的实验。
• 90/10 小流量：Champion 占 90%，Challenger 占 10%。适用于高风险策略，先在小范围验证效果。
• 多组并行：如 Champion 50%、Challenger A 25%、Challenger B 25%。适用于同时测试多个候选策略。
• 动态调整：实验进行中根据中间指标（如负向指标监控）动态调整比例，需配合流量调度系统。

以下是一个流量比例配置的 JSON 示例，展示了多组并行配置：

{
  "experiment_id": "rec_algorithm_v3",
  "layer": "recommendation",
  "hash_algorithm": "murmur3_32",
  "buckets": [
    {"name": "champion", "ratio": 50, "description": "当前线上算法"},
    {"name": "challenger_a", "ratio": 25, "description": "新模型 v1"},
    {"name": "challenger_b", "ratio": 25, "description": "新模型 v2"}
  ],
  "fallback": "champion"
}

2.6 分流一致性保障

分流一致性是实验可信度的生命线。以下是保障一致性的关键措施：