流量分桶策略：科学分配实验流量

可视化演示

动态演示流量分桶策略的核心机制，通过全局/局部/动态/静态四种模式展示关键概念与交互流程。

分桶基础概念

林姐的迎宾员老王每天在门口发号码牌。起初他凭感觉把客人分到 A 区或 B 区，结果常让 A 区挤爆、B 区空荡。后来大家约定：客人一进门，先按“桌号”分属不同区域——能不能试新菜取决于桌号，而不是老王的个人心情。这看似简单的规则，正是“分桶”的雏形：把一个大整体切成互斥的小组，每组只做自己的事。

在 A/B 测试里，分桶（Bucketing）就是把一个总流量按明确规则切分成几个互斥子集的过程。每个子集叫一个“桶”（Bucket），对应实验的不同组：对照组分到一个桶，每个实验组各分一个桶。分桶是整个实验的第一道工序：桶分得不科学，后续一切统计结论都是空中楼阁。

分桶首先要选定分桶单位。最常用的是用户 ID，它让同一个用户从头到尾只属于一个组，体验一致、行为可归因。也可以按设备 ID、会话甚至单次请求分桶，但粒度越细，用户前后体验越不一致，实验效应越容易被“洗淡”。还要区分两个易混概念：分桶是设计“谁进哪组”的规则，分流是按规则把流量真正切出去的动作——分桶是图纸，分流是施工。

$$\mathrm{bucket} = \left( \mathrm{hash}(\mathrm{user\_id} \,\|\, \mathrm{salt}) \bmod N \right) + 1$$

1. 拼接用户标识与盐值：把用户 ID 和盐值字符串拼成一个复合输入，保证同一用户在不同盐值下产生不同结果。

$$\mathrm{key} = \mathrm{user\_id} \,\|\, \mathrm{salt}$$

2. 计算哈希摘要：对复合字符串做哈希运算，输出一串固定长度的数字，结果近似均匀随机。

$$h = \mathrm{hash}(\mathrm{key})$$

3. 取模映射到桶号：将哈希值对桶数 N 取模，结果落在 0 到 N-1，再加 1 得到 1 到 N 的桶编号。

$$\mathrm{bucket} = \left( h \bmod N \right) + 1$$

林姐给每张桌子编好号，客人报手机尾号后四位，尾号决定桌号——这就是最简单的分桶方案。真正的关键不是“用谁的号码”，而是“用什么规则让号码均匀分布”，这正是下一节哈希算法的任务。

分桶算法原理

老王很快发现一个漏洞：凭“尾号个位数”分桌，有的日子来的客人尾号集中在 6、7、8，其他桌空着大半。他需要一个“洗牌号”：把手机号打乱、和当天暗号混在一起算，让结果在 1 到 5 号桌之间均匀散开。这个“洗牌号”，就是哈希函数。

哈希函数把任意长度的输入压缩成固定长度的数字串，输入只要改动一个字符，输出就“面目全非”。在分桶场景里，我们常用 MD5 这类摘要算法：对 user_id + salt 做 MD5，得到一个 32 位十六进制字符串，取前 8 位转成十进制，再对桶数 N 取模，就得到桶号。

这里有两个细节决定了分桶质量。第一是盐值（salt）：同一个用户配上不同盐值，会得到完全不同的桶号。这看似是“缺点”，恰恰是正交分层复用的核心工具——两个实验只要盐值不同，分桶结果就互不相关。第二是确定性：同一 user_id + salt 永远算出同一个桶号，用户的组别在实验期间不会漂移，保证了前后数据的可比性。

$$h = \mathrm{MD5}(\mathrm{user\_id} \,\|\, \mathrm{salt}), \quad \mathrm{bucket} = \left( \mathrm{hex2dec}(h[0:8]) \bmod N \right) + 1$$

1. 拼接盐值输入：把用户 ID 与当日暗号（盐值）拼成一个字符串，让每次实验的“洗牌”互不相同。

$$\mathrm{key} = \mathrm{user\_id} \,\|\, \mathrm{salt}$$

2. 计算 MD5 哈希：对 key 做 MD5 摘要，输出 32 位十六进制字符，看起来像一串均匀的乱码。

$$h = \mathrm{MD5}(\mathrm{key})$$

3. 截取并转十进制：取前 8 位十六进制字符转成十进制整数，避免整串大数的精度损耗。

$$\mathrm{int} = \mathrm{hex2dec}(h[0:8])$$

4. 取模加一入桶：整数对 N 取模后加 1，映射到 1 到 N 号桌区间，得到最终桶号。

$$\mathrm{bucket} = \left( \mathrm{int} \bmod N \right) + 1$$

林姐给每桌设计了一张“暗号卡”：同一个客人，用暗号 A 被分到 1 号桌试新菜，用暗号 B 被分到 3 号桌听新音乐。暗号不变，客人永远落在同一张桌——实验期间不串门。暗号变了，“洗牌”就重新来过。

策略优劣评估

光有暗号还不够，林姐要做评分卡：每桌人数差多少、同一批客人明天再来是否还坐同一桌、会不会某类客人总聚在一桌、门迎对照暗号是否方便。这四项，正好对应分桶策略的四个评估维度：均匀性、稳定性、随机性、可解释性。

均匀性指各桶人数接近理论比例，通常用极差或卡方检验度量。若一组只有别人一半的样本，统计功效直接崩塌。稳定性指同一用户实验期间不跳桶，且流量规模变化时已分配用户不会被重排。随机性指桶内用户特征（年龄、地域、活跃度）与整体无系统性偏差。可解释性指分配规则清晰可控，出了问题能快速定位是哪一步导致的。

四者并非完全独立。例如盐值选得差，均匀性可能合格，但用户特征分布出现偏斜；直接用随机数分桶，均匀性尚可，稳定性却彻底失败。因此评估分桶方案要用这四维一起打分，而不是只看某一个指标。

$$\chi^2 = \sum_{i=1}^{N} \frac{(O_i - E_i)^2}{E_i}, \quad E_i = \frac{T}{N}$$

其中 $O_i$ 是第 i 桶的实际人数，$E_i$ 是理论平均人数，$T$ 是总人数，$N$ 是桶数。

1. 计算理论期望人数：如果分桶完全均匀，每个桶应分到总人数除以桶数这么多人。

$$E_i = \frac{T}{N}$$

2. 逐桶计算偏差占比：每个桶的实际人数与期望之差，先平方再除以期望，放大偏差的影响。

$$\frac{(O_i - E_i)^2}{E_i}$$

3. 对所有桶求和：把各桶的偏差汇总成一个总统计量，值越小说明越均匀。

$$\chi^2 = \sum_{i=1}^{N} \frac{(O_i - E_i)^2}{E_i}$$

4. 对照卡方分布判定：将统计量与对应自由度的卡方临界值比较，判断偏差是否显著。

林姐的评分卡就是四个格子：人数、稳定性、人群构成、暗号可查性。任何一张桌子人数偏差超过 10%，她就把暗号卡作废重印。分桶方案好不好，不是拍脑袋说了算，而是靠这套可量化的“四维评分”说了算。

正交分层设计

林姐想通了一件事：菜品实验和音乐实验根本不需要各抢一批客人。她让每位客人在“楼层”和“桌号”两个维度上各拿一张号码牌：凭楼层号试新菜，凭桌号听新音乐。客人毫不冲突，流量被“复用”了。这就是正交分层的朴素版本。

正交分层（Orthogonal Layering）的核心思想是：把流量切成多个互相独立的“层”（Layer），每个层内再分桶；一个用户可以在不同层同时参加不同实验。层与层之间互不相干，就像坐标系的 x 轴与 y 轴：知道一个点在 x 轴的位置，完全无法推测它在 y 轴的位置。

具体实现上，每层使用一个独立盐值，各自做哈希取模。这样层 A 把用户分成 5 组，层 B 又把同一批用户分成另外 5 组，任意两个层间的分桶结果都相互独立。层的经典配额是：一层只运行一个实验（或一组互斥实验）。层数越多，可并发的实验越多，但每层分到的流量仍是全量，而不是 1/层数。这带来的最大红利是流量复用：平台无需为每个实验单独预留流量池。

$$B_{\mathrm{layer}}(u) = \left( \mathrm{hash}(\mathrm{user\_id} \,\|\, \mathrm{salt}_{\mathrm{layer}}) \bmod N_{\mathrm{layer}} \right) + 1$$

1. 每个层独立盐值：每个层选用互不相同的盐值，层间哈希输入不同，输出自然无关。

$$\mathrm{salt}_{A} \neq \mathrm{salt}_{B}$$

2. 用户在各层独立哈希：同一用户在不同层得到不同的哈希中间值，实现“互不相干”。

$$h_{A}(u) = \mathrm{hash}(\mathrm{user\_id} \,\|\, \mathrm{salt}_{A}), \quad h_{B}(u) = \mathrm{hash}(\mathrm{user\_id} \,\|\, \mathrm{salt}_{B})$$

3. 各层独立取模分桶：每个层按自己的桶数取模，得到该层的桶号。

$$B_{\mathrm{layer}}(u) = \left( h_{\mathrm{layer}}(u) \bmod N_{\mathrm{layer}} \right) + 1$$

林姐在门口摆了两个号码箱：绿箱领“楼层号”，蓝箱领“桌号”。客人各拿一张，既不冲突又能同时参加两个实验。正交分层就是这么一套“自助餐厅版”的坐标系。

分桶冲突检测

新来的实习迎宾不小心把两个实验用了同一个暗号，结果发现：一位客人被“新菜单实验”分到 1 号桌，又被“新音乐实验”分到 1 号桌，但 1 号桌的音乐实验恰好要求“安静用餐”。两套实验在同一拨人身上打架了。这就是分桶冲突。

分桶冲突的本质是：两个实验用了同一套分桶逻辑，导致用户分组高度相关。常见类型有三种：同层冲突——两个实验注册在同一层，互抢流量；盐值冲突——不同层却配上相同的盐值，分桶结果完全一样；嵌套冲突——一个实验的桶被另一个实验整体当作分层复用，样本高度重叠。无论哪种，实验效应都会互相污染，结论彻底失真。

检测手段主要有三类。第一是事前检查：维护分层注册表，新增实验时检查层是否被占用、盐值是否与已有实验重复。第二是重叠率监控：线上实时统计两个实验命中用户集合的交集比例，若显著高于理论值则触发告警。第三是定期审计：用离线任务查询实验间的用户重叠，进行深度归因。

$$J(A,B) = \frac{|A \cap B|}{|A \cup B|}$$

其中 $A$、$B$ 分别是两个实验命中的用户集合，$J$ 为 Jaccard 重叠系数。

1. 统计两个实验的命中用户集合：分别取出实验 A、实验 B 分到的用户 ID 集合。

$$A = \{u \mid \mathrm{bucket}_A(u) \in \mathrm{expA}\}, \quad B = \{u \mid \mathrm{bucket}_B(u) \in \mathrm{expB}\}$$

2. 求交集大小：统计同时命中两个实验的用户数，这是“被重复安排”的客人。

$$|A \cap B|$$

3. 求并集大小：统计至少命中一个实验的用户数，作为归一化基准。

$$|A \cup B|$$

4. 计算重叠系数：两者相除得到 0 到 1 的重叠率，越接近 0 越安全，越接近 1 冲突越严重。

$$J(A,B) = \frac{|A \cap B|}{|A \cup B|}$$

林姐在门口挂了一块“暗号排班表”——每个暗号谁在用一目了然，新实验上线前先查表，上线后每周抽查几桌确认没有客人被塞进两个矛盾实验。冲突检测，就是为多实验并发装上的护栏。

策略调优实战

连续两周，1 号桌总是挤满人。林姐没有急着全店换暗号，而是先在周末小范围试新暗号，确认每桌人数稳定后，才在下周一全量切换。分桶方案上线后不是一劳永逸的，需要用数据持续调优，调优的原则永远是“先小流量验证，再灰度放量”。

日常调优围绕三类指标展开：均匀度（各桶极差与卡方值）、重叠率（实验间 Jaccard 系数）、稳定性（用户跳桶比例）。发现均匀度异常时，最常见的操作是更换盐值重新哈希，但绝不能全量直接切——要先让新盐值在 5%~10% 流量上跑一两天，确认无偏后再逐步放量。这个“小流量验证”的环节，是避免把局部随机波动误判成系统性问题的关键。

另一个常被忽视的调优工具是样本量预估。分桶数、实验时长和每组样本量是强相关的：桶分得越多，每桶样本越少；流量不变时，想要更小的检测提升幅度，就需要更长的实验周期。上线前用公式估算所需样本量，能直接指导桶数设计和放量计划。

$$n = \frac{\left( z_{1-\alpha/2}\sqrt{2\bar{p}(1-\bar{p})} + z_{1-\beta}\sqrt{p_1(1-p_1) + p_2(1-p_2)} \right)^2}{(p_1 - p_2)^2}$$

其中 $p_1$ 为对照组预期转化率，$p_2$ 为实验组预期转化率，$\bar{p}=(p_1+p_2)/2$，$z_{1-\alpha/2}$ 对应显著性水平，$z_{1-\beta}$ 对应统计功效。

1. 设定显著性水平与功效：通常取 95% 置信度、80% 功效，对应两个正态分位数。

$$z_{1-\alpha/2} = 1.96, \quad z_{1-\beta} = 0.84$$

2. 计算合并转化率：用两组预期转化率的均值作为整体基线。

$$\bar{p} = \frac{p_1 + p_2}{2}$$

3. 计算两个标准误项：一项基于合并比例，一项基于两组各自的比例，反映组间差异的波动。

$$\sqrt{2\bar{p}(1-\bar{p})}, \quad \sqrt{p_1(1-p_1) + p_2(1-p_2)}$$

4. 除以效应量平方得到样本量：分子是检验统计量，分母是预期提升幅度的平方，提升越小所需样本越大。

$$n = \frac{\left( \cdots \right)^2}{(p_1 - p_2)^2}$$

林姐的分座系统从“拍脑袋”变成了一本可迭代的“营业手册”：号码箱、暗号本、排班表、周巡检。哪张桌子不均匀就换暗号试小流量，确认有效再全量推。流量分桶，就这样从一门经验活，变成了一套科学的工程方法。

AI 应用场景

Python 演示

import hashlibimport random  def hash_bucket(user_id, salt, num_buckets):    """将用户ID与盐值拼接后做MD5哈希，映射到[0, num_buckets)的桶号"""    key = f"{user_id}#{salt}"    digest = hashlib.md5(key.encode()).hexdigest()    return int(digest[:8], 16) % num_buckets  class BucketSystem:    """一个带分层注册与冲突检测的分桶系统"""     def __init__(self):        self.experiments = {}   # exp_id -> (layer, bucket_count)        self.layer_owner = {}   # layer -> exp_id     def add_experiment(self, exp_id, layer, bucket_count):        if layer in self.layer_owner:            raise ValueError(                f"同层冲突: {exp_id} 与 {self.layer_owner[layer]} 共用层 {layer}"            )        self.experiments[exp_id] = (layer, bucket_count)        self.layer_owner[layer] = exp_id     def assign(self, user_id):        """返回该用户在全部实验中的桶号"""        result = {}        for exp_id, (layer, n) in self.experiments.items():            result[exp_id] = hash_bucket(user_id, layer, n)        return result     def uniformity_gap(self, user_ids, exp_id):        """统计某实验各桶人数，返回人数列表与极差"""        _, n = self.experiments[exp_id]        counts = [0] * n        for uid in user_ids:            counts[hash_bucket(uid, exp_id, n)] += 1        return counts, max(counts) - min(counts)  def main():    system = BucketSystem()    system.add_experiment("exp_ui", "layer_ui", 5)    system.add_experiment("exp_rank", "layer_rank", 5)    system.add_experiment("exp_recall", "layer_recall", 5)    print("实验登记完成，分层:", list(system.layer_owner))     random.seed(42)    users = [f"user_{random.randint(0, 10**6)}" for _ in range(20000)]     for exp_id in system.experiments:        counts, gap = system.uniformity_gap(users, exp_id)        print(f"{exp_id} 各桶人数: {counts}，极差: {gap}")     sample = system.assign(users[0])    print("样例用户分配:", sample)     try:        system.add_experiment("exp_ui_2", "layer_ui", 5)    except ValueError as err:        print("冲突检测:", err)  if __name__ == "__main__":    main()

1. int(digest[:8], 16) % num_buckets取 MD5 前 8 位转十进制再取模，得到稳定的桶号。
2. self.layer_owner = {}记录“层 -> 实验”的占用关系，是冲突检测的数据基础。
3. if layer in self.layer_owner:新实验注册时发现层已被占用，立即抛出同层冲突异常。
4. self.experiments[exp_id] = (layer, bucket_count)每个实验绑定一个独立层，天然实现正交隔离。
5. counts[hash_bucket(uid, exp_id, n)] += 1用盐值（这里直接取实验 ID 作盐值）逐用户统计各桶人数。
6. max(counts) - min(counts)极差是均匀性最直观的指标，样本量越大极差占比越小。

常见误区

面试题