方案设计
目标
Wedge平台的目标如下：
- 支持各类算法实验场景，可灵活支持后续的功能扩展。
- 实验配置、使用、效果回收等全链路对使用者透明，降低解释成本。
- 提供不同流量下应用参数的配置，降低参数解析成本。
- 支持版本控制，可快速回滚。
- 提供简洁、易用的操作界面。
设计思路
在《Overlapping Experiment Infrastructure: More, Better, Faster Experimentation》中，Google给出了一套通用的分层实验解决方案。我们以此为蓝本，结合美团点评效果广告的LBS特性，针对不同的业务场景，实现了更适合日常迭代的实验配置框架。目前，该框架已在搜索广告投放系统上全量上线。
实验分类
基于Google分层实验平台，结合实际需求进行了以下实验分类。
根据实验种类分类
- 水平实验：类似于Overlapping Layer中的实验，是属于同个“层”的实验，实验是互斥的，在同一“层”上实验可以理解为是同一种实验，例如：关键词“层”表示这一层的实验都是关键词相关的，该层上存在实验H1和H2，那么流量绝对不会同时命中H1和H2。
- 垂直实验：类似于Non-overlapping Layer中的实验，分布于不同“层”之间，实验是不互斥的，例如在关键词“层”和CTR“层”上在相同的分桶上配置了实验V1和V2，那么流量可以同时命中V1和V2。
- 条件实验：表示进入某“层”的实验需要满足某些条件，水平实验和垂直实验都可以是条件实验。
根据流量类别分类
这种分类主要了为了用户体验，使平台在操作上更加的简单、易用：
- 普通实验：最基本的实验，根据流量类别进行配置。
- 引用实验：流量分类是整个配置中心基础，但实际上存在一些实验是跨流量了，而引用实验则可以配置在不同的流量种类中。
- 全局实验：可以理解为特殊的引用实验，全局实验在所有流量上都生效。
架构图
图2为整体架构图，比较便于大家理解，我们可以看到整体架构分为四层：
- Web层：提供平台UI，负责应用参数配置、实验配置、实验效果查看以及其他。
- 服务层：提供权限控制、实验管理、拉取实验效果等功能。
- 存储层：主要是数据存储功能。
- 业务层：业务层结合SDK完成获取实验参数和获取应用参数的功能。
