AB测试方案
概述
利用 uuid 将用户切分为多个 bucket，每个 bucket 分配不同的策略，非法 id 随机分配，并且添加配置白名单用于测试，可支持不同节点的配置和灰度上线和回滚。
实验的写入和读取
提供前端页面负责给算法同学写入算法 id，节点和实验比例信息，后端基于 ZooKeeper 提供查询和写入的接口，Engine 启动读取 ZooKeeper 节点信息，并且监听相应 ZK 节点的实验信息的更改，可以实现热更新。
实现逻辑的介绍
一般实验
根据实验配置信息，将配置的实验数量，分配在100个 bucket 中，假设某用户的 id 为 runzhliu，计算其 id 值的哈希值，取模，再到这100个 bucket 中获得其实验配置信息（幂等），该用户会按照实验配置的百分比，选中相应的实验配置信息。
人群实验
当实验场景只针对特定人群特征做实验，比如该实验只是为了观察男性用户的曝光点击率/转化率。实验配置中写入人群实验的信息，Engine 请求的 uuid 中先判断是否人群实验需要的对象，是的话直接走入人群实验的策略，否则依然按照流量进行切分。
白名单
设置白名单只落入指定实验策略，方便算法/产品，线上/线下不同场景进行测试。其余用户均通过流量来切分。
其他
AbTest 服务初始化读取配置信息到内存中，配置前台修改实验信息可以热更新 AbTest 内存中的数据，Engine 请求按照 uuid 分配实验策略。AbTest 提供增加实验和回滚实验两种接口，用增加/回滚操作时间戳来控制实验版本。
如果打点数据正常，在前端收集数据之后，做成报表后，不同实验策略的用户应该是符合实验配置信息预设的比例的。如果出现异常，需要仔细排查是 AbTest 流量切分还是打点数据的问题。
总结
本文主要介绍了如何通过 uuid 来确定做 AB 实验的人群，并且提供了架构实现的技术方案。