在网络分析中，A / B测试（桶测试或分流测试）是一个随机实验，通常有两个辩题，A和B。如果你还对这个测试不是很明白，那就来文中看看~
一、定义
在网络分析中，A / B测试（桶测试或分流测试）是一个随机实验，通常有两个变体，A和B。利用控制变量法保持有单一变量的前提下，将A、B数据进行对比，得出实验结论。
二、简述
通常网站会利用分层和分流的机制保证本站的流量高可用，原因有以下几点：
（1）网站的流量是有限的
（2）实验的对象是多层的或同一层内互不干扰的
多层：例如网站不仅仅有UI层（界面），通常还有算法层等。
同一层内互不干扰：例如网站的推荐位有多个（首页推荐位、商详页推荐位）。
（3）AB tests的需求是大量的
AB 是一种科学的利用数据证明方案可行性的手段，一般在网站中广泛使用。如果流量不进行分层、分流可能会导致流量饥饿，即实验一在进行中占用了全站的80%的流量，实验二就只能使用20%的流量。
因此良好的分层、分流规则可以充分使用网站的流量。
三、分层规则
1. 正交、互斥
在介绍分层规则之前，先介绍一下正交和互斥的概念。
（1）正交
如何理解正交?
例如：我们有100个兵乓球，随机拿出来50个染成蓝色，50个染成白色，则我们有蓝色、白色兵乓球各50个，现在我们把这100个兵乓球重新放在袋子中摇匀，随机拿出50个兵乓球，那么这50个兵乓球颜色蓝色和白色各25。
当然举这个例子并不是非常的恰当，因为样本太少了，此处举例只为说明正交的意义。
正交实验：每个独立实验为一层，层与层之间流量是正交的，一份流量穿越每层实验时，都会再次随机打散，且随机效果离散。
（2）互斥
如何理解互斥？
例如：我们有100个兵乓球，每25个为一组，分别染成蓝、白、橘、绿。若X实验拿的是蓝色、白色则Y实验只能拿橘色和绿色，我们说X实验的和Y实验是互斥的。
互斥实验：实验在同一层拆分流量，且不论如何拆分，不同组的流量是不重叠的。
2. 分层、分流规则
基于Goolge论文：《Overlapping Experiment Infrastructure:More, Better, Faster Experimentation》
流量从上往下流过分流模型：
（1）规则详述：
域1和域2拆分流量，此时域1和域2是互斥的。
流量流过域2中的B1层、B2层、B3层时，B1层、B2层、B3层的流量都是与域2的流量相等。此时B1层、B2层、B3层的流量是正交的。
扩展：流量流过域2中的B1层时，又把B1层分为了B1-1，B1-2，B1-3，此时B1-1，B1-2，B1-3之间又是互斥的。
根据以上规则我们可以不断的在此模型中增加域、层，并且可以互相嵌套。这要与实际的业务相匹配，拆分过多的结构可能会把简单的业务复杂化，拆分过少的结构又可能不满足实际业务。
（2）使用场景
例1：B1层、B2层、B3层可能分别为：UI层、搜索结果层、广告结果层，这几层基本上是没有任何的业务关联度的，即使共用相同的流量（流量正交）也不会对实际的业务造成结果。
但是如果不同层之间所进行的试验互相关联，如B1层是修改的一个页面的按钮文字颜色，B2层是修改的按钮的颜色，当按钮文字颜色和按钮颜色一样时，该按钮已经是不可用的了。因此建议同一类型的实验在同一层内进行，并且需要考虑到不同实验互相的依赖。
例2：域1的此种分流的意义在于，当我们做一个实验，并且希望其他任何实验都不能对我实验进行干扰，保证最后实验的可信度。
有兴趣的朋友可以去看一下Goolge的原文。
