背景

系统接入了十几个第三方支付渠道，每个渠道的质量参差不齐，根据实时成功率被评定为三个等级：

• G（Good）：优秀，成功率高
• N（Normal）：合格，成功率正常
• U（Unqualified）：不合格，成功率低

路由目标是：按配置的权重比例，把流量分配到不同等级的渠道，同时做到在高并发下概率分布精确、不偏斜。

最直觉的实现：每次 random

最简单的加权随机：

// 权重配置：G=6, N=3, U=1，总权重 10
rand = 随机数 [0, 总权重)

如果 rand < G权重:     返回 "G"   // 命中率 60%
如果 rand < G权重+N权重: 返回 "N"  // 命中率 30%
否则:                  返回 "U"   // 命中率 10%

这有什么问题？

理论上没问题，但在高并发 + 分布式多实例的场景下：

• 每台机器各自 random，短时间内受随机数波动影响，实际概率可能短暂偏离
• 比如 10 台机器同时处理一批请求，可能连续多次都命中 G，U 渠道长时间没有流量
• 对于"不合格渠道每 10 分钟限流 X 单"这种配额控制，纯随机会导致配额要么提前用完要么浪费

问题的本质：每次独立 random，无法保证全局的概率分布是均匀的。

改进方案：预制概率池（Pool 模式）

换一个思路：与其每次抽签，不如预先按比例把所有结果放进一个袋子，随机打乱，然后依次取出。

权重配置：G=2, N=2, U=1

预制池（打乱前）：[G, G, N, N, U]
随机打乱后：     [N, G, U, G, N]

第1次取：N
第2次取：G
第3次取：U
第4次取：G
第5次取：N
袋子空了，重新填充并打乱...

这样就保证了：每一轮（5次）内，G 出现 2 次，N 出现 2 次，U 出现 1 次，概率完全精确。

用 Redis List 实现分布式概率池

单机可以用内存 List，但分布式多实例场景需要共享状态，Redis List 是天然的选择：

• lpush：批量填充池子
• lpop：原子性地取出一个元素
• exists：判断池子是否已初始化

用 Redis List 实现分布式概率池
单机可以用内存 List，但分布式多实例场景需要共享状态，Redis List 是天然的选择：
lpush：批量填充池子
lpop：原子性地取出一个元素
exists：判断池子是否已初始化

高峰时段流量倾斜

业务上有个特殊需求：高峰时段要让优质渠道承接更多流量。

实现方式非常简单——高峰时段把整个池子扩大 3 倍：

低峰时段（倍数=1）：
    池子 = [G, G, N, N, U]          // 共 5 个槽

高峰时段（倍数=3）：
    池子 = [G,G,G, G,G,G, N,N,N, N,N,N, U,U,U]  // 共 15 个槽

权重比例本身没有变，但池子更大，每轮覆盖的请求数更多，统计意义上概率分布更稳定。

高峰时段判断支持跨零点配置：

函数 是否高峰时段(国家配置 param):
    如果 高峰开始时间 或 高峰结束时间 未配置:
        返回 false

    当前小时 = 系统当前小时

    如果 结束时间 < 开始时间:          // 跨零点，例如 22:00-06:00
        返回 当前小时 >= 开始时间 或 当前小时 <= 结束时间
    否则:                             // 普通时段，例如 08:00-20:00
        返回 当前小时 >= 开始时间 且 当前小时 <= 结束时间

等级映射的边界处理

概率池返回的是"目标等级"，但实际可用渠道不一定覆盖全部三个等级。比如当前只有 G 和 N 两个等级的渠道可用，池子却返回了 U，该怎么处理？

函数 按权重选等级(可用等级集合 levelSet, 国家配置 param):

    如果 levelSet 只有1个等级:
        返回 唯一的那个等级

    目标等级 = 从概率池取等级(param)

    如果 levelSet 包含全部3个等级:
        返回 目标等级              // 直接用，无需映射

    如果 levelSet 包含 目标等级:
        返回 目标等级              // 直接命中

    // 目标等级不在可用集合中，向上取近似值
    如果 目标等级 == "G": 返回 "N"  // 只有{N,U}，G→N（取较优的）
    如果 目标等级 == "N": 返回 "G"  // 只有{G,U}，N→G（优秀优先）
    如果 目标等级 == "U": 返回 "G"  // 只有{G,N}，U→G（优秀优先）

    返回 levelSet 中随机一个        // 兜底

映射规则的设计原则：找不到目标等级时，尽量取更高质量的等级，保证用户体验。

方案对比总结

维度	每次 random	概率池（本文方案）
概率精确性	统计意义上精确，短期有波动	每轮内精确，波动极小
分布式一致性	各实例独立，全局分布不保证	Redis 共享池，全局一致
高峰调节	修改权重参数重新计算	扩大池子倍数，简单直接
实现复杂度	极简	中等（需考虑初始化竞争）
适用场景	低并发、单机	高并发、分布式多实例

一个值得注意的并发细节

初始化时存在一个极小概率的竞争窗口：

线程1                          线程2
  ↓                              ↓
lpop 返回 null               lpop 返回 null
  ↓                              ↓
构建池子列表                  构建池子列表
  ↓                              ↓
抢到锁，lpush 成功            等待锁
  ↓                              ↓
lpop 取到元素，释放锁         进锁，exists=true，跳过 lpush
  ↓                              ↓
(结束)                        lpop 取到元素（或池子已被消耗完返回 null）

总结

这套方案的核心思想是：把"概率"提前物化成"数量"，用预制数据结构代替运行时计算。

在分布式场景下，Redis List 的 lpop 天然具有原子性，不需要额外加锁就能保证多实例消费的互不重叠。加上高峰时段动态扩容、等级不存在时的向上映射，整套方案在工程实践上兼顾了概率精确、分布式一致和动态调节三个目标。