引言
已录制的流量进行回放，如果回成功率较低，比如20000个请求错误率5%，也有1000个错误， 对开发测试排查成本过高，疲惫抱怨也会增加。本文降低排查成本提升开发测试效率，侧重在智能降噪这块涉及的知识点进行整理，主要内容有：
常见噪点智能降噪文章小结一、常见噪点1.时间差异
流量录制和回放时间戳不同，代码中使用该时间戳进行逻辑判断，例如：System.currentTimeMillis() native方法，如果响应的Response也有时间戳也会造成差异。
2.随机数差异请求参数或者返回结果中使用了随机数字，这种大概率是会失败的。
3.自增数据差异无论请求还是返回，自增数据也会造成比对失败。
4.链路ID标识类似链路ID、SequenceID等标识，在系统中会透传，可能造成回放失败。
5.配置中心数据线上配置中心的数据和回放的测试环境配置数据不一致，也导致了数据回放失败。
6.返回无序元素集合在方法接口调用返回时无序的元素集合，也会造成结果对比误差。
二、智能降噪1.降噪配置通过提供全局、应用级别、接口级别对噪音字段进行配置，配置可以解决一部分问题，适合存在通用性字段且数量不多的情况。可以作为降噪的第一层配置。
2.智能降噪是一种通过对流量diff的自动对比的降噪方式，下面以Twitter开源框架Diffy为例走查其运行原理，可供我们实践中定制二开或者自研参考 。
通过三个版本系统进行流量对比，将其噪声过滤：
候选版本：即待提测上线版本稳定版本：可以部署线上Master分支稳定版本副本：可以部署线上Master分支工作原理：
通过向稳定版本和稳定版本副本回放流量，对比其流量差异得到【噪声 】通过向候选版本和稳定版本回放流量，对比其流量差异得到【原始区别 】再从【原始区别】剔除【噪声】得到最终的diff结果Diffy的Github的地址：
https://github.com/twitter-archive/diffy三、文章小结
本文罗列了流量回放中常见的噪音以及解决噪音的常见措施。需要以智能去噪为主，加以一些定制化配置字段去噪综合治理来降低测试开发的排查成本。
