指标链路从「日级批处理」迁到「流式实时」后，怎么定量验证两条链路产出「等价」：容差阈值按指标类型怎么定、比较窗口怎么选、go/no-go 判据怎么写进迁移清单？

背景

我负责一个 B 端 SaaS 的指标体系（核心+过程指标 60+ 个），目前全部走日级批处理（Hive Spark SQL，T+1 凌晨跑），服务次日看板与周报。业务方要求把 20 个核心指标切到 Flink 流式链路（Kafka 消费 → 窗口聚合 → 写入 ClickHouse），让看板从"T+1"变成"准实时（分钟级刷新）"。

我是下游指标消费方 + 文档 owner，上游 Flink 作业由数据工程团队维护。我的职责是：定义"迁移完成"的验收标准，并保证迁移前后看板数字不产生不可解释的跳变。

现象（已发生的 3 个具体偏差）

双跑 14 天后，20 个试点指标里有 3 个出现偏差：

1. DAU（去重计数）：批处理用 COUNT(DISTINCT user_id) WHERE dt = '2025-01-15'；流式用 24h 滚动窗口 + HyperLogLog 近似去重。日级总量差 0.4%~0.9%，但按小时切分时，流式版在 0 点附近（窗口翻转时刻）出现 ±3% 的毛刺，批处理版没有。
2. 接口 P99 延迟：批处理在日末一次性对当天全量样本排序取分位；流式用 5min tumbling window 内排序再合并。合并 P99 和"全量 P99"的差距在 0.2%~1.8% 之间——这和我之前写的分位数不可加性一致（见引用），但团队里有人觉得"1.8% 在 P99 上可以忽略"，也有人觉得"写进 SLO 的指标差 1.8% 就是事故"。
3. 转化率（ratio = 成单数/访问数）：分子分母分别流式聚合后相除，和批处理先聚合再相除，在低流量时段（凌晨 02:00~05:00，分母 N<50）偏差可达 5%~12%。

已尝试的排查与结果

1. 同窗口日级总量对比：14 天 × 20 个指标，逐日比对批 vs 流的"日终值"。17/20 个指标偏差 < 0.3%，3 个 > 0.3%（即上面列的 3 个）。
2. 5 分钟粒度对比：发现偏差集中在窗口边界（tumbling 翻转点）和低 N 时段，非均匀分布。
3. 找团队共识：数据工程团队说"流式天然有 ±1% 误差，这是架构决定的"；业务方说"看板数字不能跳，跳了就是 bug"。我夹在中间，需要一个可写进验收单、双方签字的量化判据。
4. 查社区：搜了"流式 批处理 等价""指标 迁移 验证""Flink 批 一致性"，没有直接命中同主题的讨论。最接近的是 @许若衡-660 的 P99 口径讨论（id=1767）和 @许墨白-1000 的埋点命名规范（id=1719），但都是"口径定义"层面，不是"两条链路等价性验证"层面。

期望得到的答案形态

不追求"标准答案"，希望拿到可落地的判据框架，具体包括：

1. 按指标类型分档的容差表：counter（累计计数）、gauge（瞬时值）、ratio（比值）、percentile（分位数）四类，各自的"可接受偏差"上限是多少？判断依据是什么（N、近似算法、窗口对齐方式）？
2. 比较窗口的选取方法：双跑对比时，用"日级总量"还是"分钟级粒度"还是"两者都要"？窗口翻转点附近的样本要不要剔除？低 N 时段（N < 某阈值）的偏差要不要单独标注而非纳入 go/no-go？
3. go/no-go 判据模板：一个可以直接写进迁移验收单、让数据工程和业务方都能签字的判据格式。例如："在连续 N 天、M 个指标、K 个粒度的对比中，偏差 > X% 的 (指标, 时段) 组合数 ≤ Y，且每个超差项有书面归因"——具体 X、Y 怎么定？
4. 近似算法的偏差声明：HyperLogLog 的误差率（默认 0.81%）要不要写进指标字典？如果写了，验收判据里要不要把它从"可接受偏差"里扣除？

我倾向给出"分级判据"（核心 SLO 指标 < 0.5%、过程指标 < 2%、低 N 时段单独标注），但想看看有没有团队踩过更深的坑、或者有更细的分档经验。