本文系统性拆解分组粒度的完整实操要点。
上个月一个做教育投放的客户问了个很具体的问题:规则链跑到四十多条分支之后,单次判定延迟从十几毫秒涨到了六十多毫秒,有人建议他把条件相同的分支合并成组、先算一次再复用,也有人担心分组之后一旦组内某个条件变化,整组都要重算,反而更慢。规则链条件分组到底该不该做、分组阈值怎么定?答案不在"分"或"不分"本身,而在条件复用率与组内失效代价之间那个交叉点——先算清复用次数,再决定分组的粒度。
判断标准:先看复用次数,再看失效半径
条件分组的本质是把多次重复求值压缩成一次结果复用。所以第一个判断标准很直接:同一组条件在一次请求的判定链路里会被求值多少次。如果某个组合条件(比如"设备类型+地区+来源渠道"三连判)在四十条分支里出现二十次,分组收益就很明显;如果只出现两三次,分组带来的收益大概率盖不过组内失效带来的重算成本。
第二个标准是失效半径。分组之后,组内任一底层信号更新,整组缓存都要作废。单个条件独立求值,一个信号变了只影响用到它的那几条分支;分组之后,影响面被放大到整组。所以在条件之间存在强耦合(比如都依赖同一个会话标识)时,分组是安全的;条件之间来源分散(一部分依赖 Cookie、一部分依赖请求头、一部分依赖外部接口)时,分组反而会把不相关的失效绑在一起。
一个实用的量化口径:给每条分支的条件求值记一次成本,分组前总成本约等于分支数乘以平均条件数;分组后总成本约等于组数乘以组内条件数,加上组失效后的重算次数。两式相减为正,才值得分。这个算法不需要精确到毫秒,按万级请求量估个量级就够做决策了。
三种分组粒度的条件对比
实际配置里,分组粒度大致落在三档,各自适用的条件差别很大。
粗粒度:按信号类型归组
把同一类信号(全部设备相关判断、全部地区判断)打成一个组,先算一次再分发。优点是配置简单、复用率高,缺点是失效半径最大——设备指纹一刷新,整组设备判断全部重来。适合信号更新频率低、且组内判断彼此独立的场景,比如地区与语言这类基本不变的维度。
中粒度:按条件组合归组
把高频共现的条件组合(如"移动端+一线城市+搜索来源")单独建组,其余分支保持独立求值。这是绝大多数投放团队的最优区间:复用集中在真正高频的路径上,低频分支不受分组失效牵连。配置时建议先用请求快照统计条件共现频次,再决定哪些组合值得成组,具体字段取舍可参考分流判定请求快照怎么建里的截断边界。
细粒度:按分支前缀归组
只把多条分支共享的前几个条件抽成公共前缀组,后续条件仍逐条求值。失效半径最小,但组的数量多、管理成本高,配置漂移风险也大。它适合分支数量大但共享前缀稳定的规则链,前提是你能保证前缀条件不频繁变动。
三档之间不是精度高低的关系,而是复用率与失效代价的不同配比。粗粒度赌的是信号稳定,细粒度赌的是前缀不变,中粒度赌的是高频路径值得单独照顾。
分组阈值的定法:从请求量级倒推
分组阈值通常指"某个条件组合出现多少次才值得单独成组"。这个数不该拍脑袋,可以从请求量级倒推。
- 先统计单条规则链在一次请求里的平均条件求值次数,得到未分组时的基线开销。
- 再统计各条件组合的共现频次分布,找出排名靠前的组合。
- 假设分组后每次复用节省一次求值,用"组合频次乘以节省次数"估算收益,与"组失效概率乘以组内条件数"估算的代价对比。
- 收益大于代价的组合进入分组名单,其余保持独立。
经验上,日均请求在万级以下时,分组阈值可以设得高一些(组合出现占比超过百分之五才成组),因为总开销本来就有限,分组的管理成本占比更高;日均请求到十万级以上时,阈值可以压到百分之一二,让更多中频组合进入分组。这个方向和请求合并队列批次窗口的调法类似,都是拿量级换粒度。
有一个容易忽略的细节:分组之后规则的调整顺序会变。原本按分支顺序求值的逻辑,变成先求组、再在组内分发,条件命中顺序实际上被重排了。如果规则链里存在依赖求值顺序的过滤型条件,分组前要先确认这些条件不参与分组,否则会出现"分组前命中、分组后不命中"的漂移。条件排列本身的边界可以对照规则链条件求值顺序调优里的过滤型与决策型划分。
一次分组改造的复盘
某金融投放团队,日均判定请求在八万上下,规则链五十六条分支,单次判定延迟中位数四十毫秒出头。他们的第一版改造把全部设备相关条件打成一个大组,结果延迟没降反升,因为设备指纹的刷新频率比预期高,组失效频繁触发整组重算。
第二版改成中粒度:只把"移动端+高客单地区+搜索来源"这一组高频共现条件独立成组,其余分支保持独立求值,同时把设备指纹相关的条件全部排除在分组之外。改造后延迟中位数回到三十毫秒以内,规则链的可维护性也好了——高频路径集中在少数几个组里,排查时先看组日志就能定位大半问题。他们的结论是:分组阈值不是越低越好,先排除高失效信号,再谈复用率。
小结
条件分组的决策路径可以压缩成三句话:复用次数不够就不分,失效半径太大就拆细,请求量级决定阈值高低。分组本身不产生性能,它只是把重复求值的开销换成了缓存管理的开销,划不划算取决于你的规则链里重复到底有多少。上线前建议用空跑日志比对分组前后的命中结果,确保顺序重排没有引入漂移。
常见问题
规则链条件分组后判定结果和之前不一致怎么办
先查分组是否改变了条件求值顺序。分组会把组内条件提前求值,依赖顺序的过滤型条件如果被卷进组里,命中结果就会漂。把这类条件排除出分组名单,再用空跑日志比对前后结果即可。
分组阈值设多少比较合适
这个要看请求量级和条件分布,没有统一数字。万级请求以下可以设高一点,让分组只覆盖最热的那几条组合;十万级以上再往下压阈值。说白了,阈值是拿管理成本换求值次数,量越大越值得换。
分组会不会让规则调整变得更麻烦
会有一点。分组之后改一个条件可能牵动整组,所以建议给每个组单独记配置说明,标明组内条件和失效触发点。顺带说一句,我一般还会要求分组变更走一次空跑比对,省得事后翻日志。
延伸阅读
分组策略解决的是规则链内部的求值效率,如果你还想了解这套系统在更宏观的投放技术版图里处于什么位置,可以读下面这篇对比。