实验平台：设计--流量分割
2017-07-02
实验平台，具体落地过程，涉及到一些通用问题，当前 blog 将进行详细的讨论：
流量：物理分割 vs. 逻辑分割
实验架构的流量分割，2 种可选方案：
- 流量物理分割：
- 入口分割
- 代码隔离
- 独立部署
- 流量逻辑分割：
- 代码耦合
- 统一部署
下面是 物理分割 和 逻辑分割 的 2 个示意图：
流量的物理分割和逻辑分割，优缺点和适用场景：
- 物理分割
- 开发模式：分支开发模式
- 优点：
- 业务侵入小
- 上线方便：不需要调整代码
- 缺点：
- 扩展性差：进行 N 个实验，每组实验分为 M 组，则需要 M*N 个分支
- 联动部署：代码部署和分流路由，联动部署
- 控制逻辑分散：代码分支和分流路由
- 运维复杂：需要区分不同分支、不同机器，并配合分流路由
- 实际经验：
- Baidu
- 逻辑分割
- 开发模式：主干开发模式
- 优点：
- 控制逻辑集中：业务代码，集中控制分流路由和实验策略
- 运维简单：正常上线部署
- 缺点：
- 业务侵入大
- 上线不方便：需要删掉不再使用的实验代码
- 实际经验：
- 微软
- Amazon
- 点评
重点从下面 4 个方面考虑：
- 运维的便利性：逻辑分流 +1
- 控制逻辑集中：逻辑分流 +1 （影响局部性）
- 业务代码侵入性：物理分流 +1
- 实验扩展性：逻辑分流 +1
结论：
- 「逻辑分流」方式，在运维便利性、实验扩展性以及影响局部性上，都更优；
- 根据当前的开发流程和运维基础设施，初步决定采用「逻辑分流」方式；
参考资料
- 阿里妈妈大规模在线分层实验实践
- 超越AB-Test，算法参数化与Google实验架构
- 大众点评并行 AB 测试框架 Gemini
- Experiments at Airbnb
- 微博广告分层实验平台(Faraday)架构实践
- Overlapping Experiment Infrastructure- More, Better, Faster Experimentation.pdf
原文地址：https://ningg.top/experiment-series-flow-split/