Elasticsearch ESQL 测试中排序与评分不一致问题分析

问题背景

在Elasticsearch的ESQL(Elasticsearch SQL)功能测试中，发现了一个关于重新排序(rerank)功能的测试失败案例。该测试验证了当使用不同排序顺序时，文档评分(_score)的计算结果是否符合预期。

问题表现

测试用例"rerank.Reranker using another sort order SYNC"在执行时出现了数据不匹配的情况，具体表现为文档评分值与预期值存在微小差异。例如：

• 第一行文档的评分预期为0.02222，实际得到0.02273
• 第二行文档的评分预期为0.01515，实际得到0.01493

测试数据涉及图书信息，包括书号、标题、作者和评分等字段。从输出结果看，虽然文档排序和内容都正确，但评分值存在细微差别导致测试失败。

技术分析

这种评分差异可能由以下几个技术因素导致：

1. 浮点数计算精度问题：Elasticsearch的评分计算涉及复杂的浮点运算，不同硬件或环境下微小的计算差异可能导致最终结果不同。

2. 排序影响评分：测试验证的是"使用不同排序顺序时的重新排序"功能，排序算法的实现细节可能影响最终评分计算。

3. 测试环境差异：测试在不同JDK版本(如OpenJDK 21/23)和操作系统(RHEL 9/Oracle Linux 9)下运行，底层数学库的实现差异可能导致计算结果不同。

4. 统计模型变化：如果Elasticsearch内部对评分模型进行了优化调整，可能导致评分结果与测试预期值不符。

解决方案

开发团队已经通过提交修复了这个问题。对于这类评分计算相关的测试，建议：

1. 使用相对误差比较而非绝对相等比较，允许一定范围内的浮点数差异。

2. 明确测试的验证重点，如果是验证排序正确性而非精确评分值，可以调整断言逻辑。

3. 对于核心评分算法，提供更详细的文档说明计算逻辑和预期误差范围。

经验总结

这个案例展示了在分布式搜索系统中处理相关性评分时面临的挑战：

1. 评分计算往往涉及复杂的统计模型和浮点运算，难以保证跨环境的完全一致性。

2. 测试设计需要考虑实际业务需求，区分必须精确验证的属性和可以容忍差异的指标。

3. 对于相关性排序这类功能，验证排序结果的相对正确性通常比绝对评分值更重要。

Elasticsearch团队通过及时识别和修复这类问题，持续提升了ESQL功能的稳定性和可靠性。