全链路压测体系建设方案的思考与实践

日前杭州笨马CTO童庭坚接受了软件质量效能社区的邀请，与行业同仁分享了关于全链路压测体系建设方案的思考与实践。以下为本场直播的核心内容：

系统性能测试的几个痛点

在金融、零售快消、物流、新能源等传统行业，通常都会有一个相对独立的测试团队，其中包括了性能测试。

过去性能测试通常是开发自测、或以项目需求驱动的方式实施，也就是根据需求在测试环境验证相应的性能目标，出具性能验收报告后就算结束。但随着业务系统的迭代速度不断加快，这种做法也会存在诸多不足：

首先，测试环境得出的测试结果，可以验证程序级问题，但因环境和数据的差异，无法验证或获得业务系统在生产环境的性能指标。

其次，随着业务需求变更的频率不断加快，发布周期随之缩短，很多紧急项目直接跳过性能测试就上生产。也造就了一个行业误区：功能一定要测，性能可以不测。举个例子，比如说变更数据库连接数则是一个反例。

第三，据了解过的大多企业，为了生产系统的安全，日常水位很低，比如CPU利用率不到10%，高峰时期可能达到20%。之所以资源利用率低，也是因为对生产容量的不确定性所造成。

另外，以项目需求驱动测试的做法，测试结果将会是数据孤岛，很难做到可持续的性能基线跟踪和风险识别，容易引发累积雪崩性问题。

性能测试成熟阶段

目前业内并没有针对性能评测的成熟度的评估模型，根据过往的行业实践经验，大致可将其定位为五个阶段。

第一阶段，以开发自测为主，初创型企业在该阶段居多，没有独立的性能测试团队，系统开发完成后，开发人员自行用开源工具针对核心接口进行压测，缺乏专业的测试方法。

第二阶段，以项目需求驱动为主，测试团队被动领活干，测试团队基于项目需求设计测试场景对被测系统进行相应评测，测试需求与测试目标大多依赖人工评审。

第三阶段，以瀑布模式为主，拥有独立的性能测试团队，并制定统一的的性能准入/准出标准和规范，通过组织形式推广整个IT部门，实施规范化的性能测试验收过程。

第四阶段，化被动为主动，用平台化方式对关键业务变更形成一套完整的性能回归体系，打通持续集成，依托迭代性能评测数据建立可持续的性能基线跟踪机制，识别频繁迭代变更带来的性能隐患。

第五阶段，测试左右赋能，向左赋能于研发，提前识别潜在性能风险，向右赋能于运维，为生产容量、稳定性提供有效保障手段。

压测方法逐步演进

从最初的线下单系统、单模块以及短链路压测，转变为生产全链路压测。

线下压测阶段

最早在蚂蚁金服，压力测试是在测试环境进行，且是针对一些重点项目，比如余额宝、花呗、借呗等明星型项目，由于项目的重要性，将会由专职的性能测试专家介入参与评估。后由于公司的核心业务日益增多，逐步开始在测试环境进行迭代变更回归测试，并形成多版本性能对比评估机制。这种测试手段，难以用测试环境得出的结果推导生产真实容量。

引流压测阶段

随着业务量的不断增长，考虑到线下测试结果的准确性，开始尝试生产压测，这种压测手段，我们称之为引流压测。事实上没有真正的模拟放大压力进行测试，而是一种通过缩小在线服务集群数的方式来放大单机处理量。比如一个业务系统的集群有100个节点，将其中90个节点模拟下线或转发流量到剩余的10个节点上实施压测，如图所示。

引流压测的弊端在于，DB承受压力不变，上下游系统的压力不变。压测结果仅能代表单个应用的性能，但往往无法识别链路和架构级的隐患，而且在引流过程中倘若出现异常或突如其来的业务高峰，很容易造成生产故障。

全链路压测

随着压测技术和手段的不断演进，在2014年初，全链路压测的方法开始诞生，其目标是希望在大型促销活动来临前，可以在生产环境上模拟路演进行验证整体容量和稳定性。由此，出现了全链路压测方法所涉及的公网多地域流量模拟、全链路流量染色、全链路数据隔离、全链路日志隔离、全链路风险熔断等关键技术。

多地域流量模拟技术是指，通过全国各地CDN节点模拟向生产系统施加压力，并在压测过程中对生产系统健康度进行实时监控，快速识别压测对生产业务带来的风险，立即作出流量调节或熔断决策。

全链路压测改造的四大核心能力

1. 全链路流量染色，通过压测平台对输出的压力请求打上标识（如图），在订单系统中提取压测标识，确保完整的程序上下文都持有该标识。
2. 全链路日志隔离，当订单系统向磁盘或外设输出日志时，若流量是被标记的压测流量，则将日志隔离输出，避免影响生产日志。
3. 全链路风险熔断，当订单系统访问会员系统时，通过RPC协议延续压测标识到会员系统，两个系统之间服务通讯将会有白黑名单开关来控制流量流入许可。该方案设计可以一定程度上避免下游系统出现瓶颈或不支持压测所带来的风险。
4. 全链路数据隔离，当会员系统访问数据库时，在持久化层同样会根据压测标识进行路由访问压测数据表。数据隔离的手段有多种，比如影子库、影子表，或者影子数据，三种方案的仿真度会有一定的差异。

如何做到全链路监控分析

全链路的监控和分析包括三个层面。第一层是用户体验监测，在云压测平台中可以看到用户的感受，比如响应时间是否随着压力的加大而变长。假如耗时突增引发业务下跌，我们将进入第二层监控，快速从用户体验侧下钻到生产系统后端链路，并快速识别出现问题的服务节点或接口。

依托于以上监控信息，需要利用相关分析能力快速给出应急决策依据，比如通过重启解决会有何影响？同时，在故障发生过程中，分析系统将会保留现场，也会继续下钻到第三层分析，比如深度追踪某个接口或方法中的所有执行逻辑耗时，再比如为什么CPU会突然暴增、GC暂停时间长等。

三层分析能力的结合和联动，比传统APM相关技术监控粒度更深，同时具备分析和优化建议能力。同时，在生产环境的变更灰度、故障演练也都可以依托于压测流量进行，这样降低在生产流量下直接演练的风险。

线下环境压测很有必要

这一点，值得特别提出，2015年我们曾犯过一个错误：有了生产压测，线下压测基本不做了，就因为这种心态，导致：

• 很多程序变更所引起的一些基本的程序级问题没有得到验证。

• 导致生产压测过程中频繁出现故障。

因此，我们又重新把线下回归体系捡了起来，甚至花了较大精力去完善这个线下回归体系。

总而言之，线下压测是无风险发现程序级问题，线上压测是低风险实现线下补足和评估生产的容量。

全链路压测体系落地实例

我们有个合作企业“性能评测体系建设”的案例：这个企业一开始属于前面讲过的成熟度阶段的5级中的第2-3级，每年大概有200个左右的项目，团队大，有几十个性能测试人员，回归业务量非常大，迭代周期是双周，当时用户最大的挑战是测试需求量大导致人力投入大，并且无法在发布前完成评测工作。在合作后，一方面依托平台化能力，另一方面优化组织协同模式、规范化、体系化，在为期不到半年时间组织能效提升4-6倍，同时一定程度上提升了压测环境资源的利用率，降低资源投入成本。

另外，还有一个生产全链路压测的案例：在为一个企业实施生产压测时，偶发性出现用户相应很慢，通过全链路下钻深度分析，发现这些特定的用户访问时，Redis调用非常频繁，当特定用户集中访问时，整个Redis达到容量瓶颈，最终影响到所有用户。

最后，我们再举一个因开源组件BUG导致的CPU使用暴增引发的故障。在一次压测过程中，我们发现一个服务节点上的某个CPU消耗100%，我们利用平台的深度热点方法分析能力，发现CPU利用率排在第一的方法是通讯框架Netty的内存清理逻辑。经排查，发现是Netty的BUG（高并发下出现死循环），我们本想修复，后发现在其官方4.1.25版本已修复，升级后CPU占满的情况完全消退。最终不仅解决了CPU利用率高的问题，业务的TPS也从2491提升到3040。

总结

第一，不能有了生产全链路压测就不做线下压测；

第二，不是有了生产影子表能力，就可以在生产随意实施压测。比如日志也需要隔离，如果生产日志和测试日志混为一体，将会影响大数据分析（如用户行为分析）。同时生产压测本身是高风险的行为，所以压测前中后的生产稳定性风险防控能力也至关重要。

本次分享到这里，期待后续有更多机会和大家分享整套技术方案和体系化落地细节。