Twitter A/B测试技术概览

原创 测试

A/B测试在Twitter的整个产品流程中是着非常核心的一个环节，Twitter通过它来验证新功能是否有效。前段时间，Twitter发布了博客介绍了他们是如何实施A/B测试的。日前，他们又介绍了A/B测试背后的系统。

概览

Twitter从2010年开始使用他们的A/B测试工具DDG（Duck Duck Goose ），它已经成为聚合数据、记录用户行为、分析指标的系统性平台。

下图为A/B测试工具概要数据流。

A/B测试的基本流程

通常来说，A/B测试需要事先设置一些参数和度量值。通过DDG，测试人员可以直接通过网页设置A/B测试的细节：

• 实验范围，比如限定语言、国家、操作系统等参数；
• 实验对照组，确定测试修改点和当前产品的区别；
• 实验指标，设置需要追踪的指标，DDG默认会采集一些基础数据，其他指标可以自定义，或者从库中选取；

通过上述设置，DDG会提供给实验人员一些代码，作为“需求开关”。然后，系统会开始记录实验过程中需要度量的数据。

指标定义

DDG提供三种指标类型：

1. 内置指标，大部分由实验团队定义和维护（例如登录次数、发推次数等），在实验中这些指标值会被自动追踪；
2. 实验者定义和配置的指标，实验者可以通过轻量级的领域专用语言（Domain Specific Language，DSL）定义需要记录的事件，DDG的管道会为实验者计算这些指标；
3. 导入的指标，这些指标完全由Twitter工程师创建，实验者可以创建自定义聚合方法，度量自定义内容；

这些可以被聚合到“指标组”中，以方便实验人员选择。同时，每个指标组都由创建人维护，所有修改记录都会被记录。

数据处理管道

指标数据收集，都会通过管道进行运算。聚合数据也是整个系统中最大的挑战。一个指标源数据每天可能会产生非常大数量级的数据。

实验平台使用Hadoop的Map-Reduce任务来解决运算的性能问题。为了尽可能提高性能，Twitter团队还和Hadoop团队共同合作，做了大量调优。

另外有一些轻量级的流处理任务，会通过TSAR在Twitter的Heron平台进行实时计算。

上图中的Scalding管道，可以被认为有三个不同的阶段。

首先，将原始数据聚合成每个用户、每个小时的基础数据集。这些数据会被作为下一阶段的输入数据，同时也会被用作计算其他数据。

然后，第一阶段生成的数据会加入A/B测试的表达式，并在实验过程中计算每个指标、每个用户的聚合数据。第二阶段的结果可以被用于深入挖掘结果。

最后，第三阶段会汇总所有实验数据。这些实验数据会被加载到Manhattan中，产品团队可以在内部看板中进行浏览。

总结

支撑Twitter A/B测试平台的技术设施非常广泛，究其原因主要是因为庞大的数据量。平台需要对大量数据加以处理，以进行分析和实验。通过管道的设计，也使得平台可以对多粒度数据进行不同类型的分析。