概述
传统AB核心内容主要分为两块：分流控制和数据评估。
分流控制比较通过的作法是对某一唯一标识进行hash，然后进行分桶来完成，其存在的问题是如果一个功能下会有多层AB时，那么如果集中做分桶则会比较复杂。假如有3层，然后每层2个实验就要分8个桶，层数、分桶越多，这个集中分桶数会更大，不便于管理。另外还要协调多层之间各自可以使用哪些分桶来进行AB实验，相对上下游沟通成本较大。
数据评估的核心在于如何进行埋点并采集到数据，数据主要包括曝光和点击两大类。目前大多数AB方案是将分桶等信息通过层层上传的方式，最终透到展现端，然后在展现端触发相关行为时记录下AB信息。这种方式存在的问题是层层上传AB信息这个需求上下游全链路所有接口协同配合才能完成，离展现端越远，协同成本越大;另外如果多层AB实验，那么如何隔离存放多层各自所需的AB信息也会存在很大的问题。
那么如何解决上述两个问题呢？
解决方案
分流控制
针对多层分流的情况，使各层能够在互相隔离的情况下进行AB实验，其实业界已经有现成的方案，主要是基于google的《Overlapping Experiment Infrastructure More, Better, Faster Experimentation》这篇论文。原来计算分桶算法一般是使用一个唯一标识的hash值来进行分桶：
bucket_id=hash(unique_id)%100
为了使多层实验间互不干扰，相互正交，先通过在唯一标识后加一个该层实验的唯一标识计算一个md5值，然后计算hash值来进行分桶。利用md5的特征，使各层之间的分流逻辑相互独立。
bucket_id=hash(md5(unique_id,layer_id))%100
这样如果有一个集中的AB平台，则可以使用每个实验的id来代替layer_id，这样就可以得到一个各层甚至各AB实验完全正交的分桶能力。
数据评估
针对数据评估，如前所述主要要解决的如何进行数据埋点。层层上传数据到展现端的方案中间协调成本太大，并且各自记录数据的隔离性不好，有可能会生产冲突。
针对这个问题的解决方法是构建一个链路id，全链路中的各个节点都能取到，然后展现端将记录曝光点击数据时将该链路id加入到这些日志信息中，然后各链路节点、各层实验单独在服务端记录日志，包括链路id、AB信息以及其它数据评估所需的内容。
然后展现端和后端通过链路id做关联，就可以将AB实验与展现端业务数据效果进行关联，得到最终的效果评估。目前可以使用鹰眼的traceId来做为链路id使用。
这样打点只要前后端衔接环节会有一个协调成本，将traceid埋入业务日志中，而后下游链路各节点想做AB都可以独立进行，只要使用的layer_id互不冲突即可。
架构方案
