当前位置:首页 >  国内设计 > 正文

模型设计

1. 分流模型

实验模型

如图3所示,整体模型分为以下几个部分:

  • App:表示一个应用,不同的应用对应的实验配置完全不同,首先从App上进行区分可以更加明确实验的归属。
  • Scene:表示某一类流量的集合,例如:搜索、美食筛选、到综筛选等,在这些流量上配置的实验互不干扰。
  • Layer:表示某一层(种)实验的集合。例如可以将在matching上做的实验放入Matching Layer中。流量命中时依次进入每个Layer获取实验配置参数,此时的Layer更像一个抽象概念,与具体的业务或者逻辑相关。
  • 条件Layer:是一种更加精细的流量控制方式,表示某一流量的某个或者某几个参数在满足一定条件下才会进行实验。进一步说就是相同Scene下,某一流量的参数A满足条件一时,采用一种实验配置策略;满足条件二时,采用另一种实验配置策略,那可以分为两层,如图3所示的Layer_3和Layer_4。例如:某流量需要在城市北京单独做实验,这种情况下,可以分为参数相同但是先决条件(即城市)互斥的两个Layer。此时的Layer在抽象的基础上更加的具体化。
  • Exp:表示具体实验,包括实验的分桶、实验参数、是否为垂直流量等等。
美团点评效果广告实验配置平台的设计与实现

图3 实验模型

水平、垂直分流模型

如图4所示,水平、垂直分流模型分为以下两个部分:

  • 仅包含水平实验 :最基础的实验需求,全部实验独占一个Layer,每个实验覆盖若干个桶,例如图4中的Layer_1,将流量分为10份,包含三个实验,这三个实验分别占用3、3、4份流量。
  • 同时包含水平、垂直实验:一个Layer中同时包含垂直、水平两种类型的实验。例如图4中的Layer_2和Layer_3,将最后的4份流量用来做垂直实验,包含两个垂直实验,分别是Exp_6和Exp_7。

 

美团点评效果广告实验配置平台的设计与实现

图4 水平、垂直分流模型

 

2. 实验命中模型

实验命中模型是指,当一个请求过来时,返回全局统一的实验参数。所有的请求都会平均地落入每一个分桶中,并且不同的Layer之间能够保证流量的正交。

名词解释

 

美团点评效果广告实验配置平台的设计与实现

 

  • Hash优先级:在实验命中过程中,第一次Hash首先判断命中垂直流量,如果没有命中,则进行第二次Hash再判断水平流量。
  • Hash因子:目前美团侧一般情况下为uuid,点评侧为dpid。
  • 垂直流量Hash串:Hash因子+scene_id。
  • 水平流量Hash串:Hash因子+scene_id+layer_id+layer_name。
  • 取模数:在Hash过程中,垂直流量按照总Bucket(默认取值100)取模;水平流量按照总Bucket数减去垂直流量Bucket数取模。这样的命中模型能保证无论是垂直的Bucket,还是水平的Bucket都是全局的1%。

最新图文

相关文章

图1
图3

热门排行