饿了么全链路压测平台的实现与原理
背景
在上篇文章中，我们曾介绍过饿了么的全链路压测的探索与实践，重点是业务模型的梳理与数据模型的构建，在形成脚本之后需要人工触发执行并分析数据和排查问题，整个过程实践下来主要还存在以下问题：
- 测试成本较高，几乎每个环节都需要人力支撑，费时费力。
- 由于测试用例较多，涉及的测试机范围较广，手工执行容易犯错，线上测试尤其危险。
- 记录结果和测试报告极不方便，需要二次加工、填写和上传。
- 测试过程中靠手工监控，覆盖不全且定位问题困难。
基于这些因素，我们决定推进全链路压测的自动化进程。这篇我们主要介绍全链路压测平台的实践。
目标
为了解决以上核心痛点，平台至少需要保证以下方面的功能：
- 用例管理：用户建立测试用例，上传资源文件，系统进行分类管理。
- 压测执行：一键触发已有测试用例，可指定线程数、预热时间、测试周期和测试机等，可以自动切分数据，分布式执行。
- 实时结果(热数据)：响应时间、吞吐量、错误率等数据以图表形式实时显示。
- 测试结果(冷数据)：平均响应时间、平均吞吐量，90/95/99线等数据以图表形式在测试结束后显示。
- 测试机集群监控：监控测试集群的使用状态，提示用户可用的测试机。
- 安全保障：平台应该对用户操作进行适当限制，并能自我应对一些异常情况。
主要功能与实现概要
压测平台是典型的B/S类型Java Web项目，基于Spring Boot开发，前端使用AngularJS。平台本身不执行测试只做调度，避免成为瓶颈，后台均使用JMeter执行测试；平台自身会维护压测机集群，保证压测机是可供测试的；测试期间产生的冷数据(用例数据、结果数据)持久化至MongoDB，热数据(实时数据)持久化至InfluxDB并定期清理。
分布式测试
在使用JMeter进行性能测试时，如果并发量比较大，单机的配置可能无法支持，这时需要联合多机进行分布式测试。我们并没有采用JMeter自身的分布式功能，而是自己做了实现，主要是考虑到：
- JMeter的分布式测试执行和单机执行方式的差异较大，这会导致平台架构不必要的复杂度，实际用户只感知测试机的数量区别。
- JMeter分布式执行的方式，master机通常不参与测试，而是收集slave信息，但这会造成一定程度上的资源浪费。
我们使用饿了么内部的EOC工具对压测机进行调度，并实现了JMeter自身具备的分布式调度功能，相应的对比见下表。基于我们的实现，压测过程中热数据和冷数据是分离传输的，冷数据在测试完成后才会传输(如果不需要压测端数据，甚至可以配置不存储冷数据)，因此该方案对于扩容是非常友好的，理论上支持的TPS没有上限。
测试状态流转
测试状态流转是压测平台的核心，每一轮正常的测试工作都会经历一条主线，即：配置 -> 触发 -> 运行 -> 结果收集 -> 清理。测试状态流转的设计围绕着这条主线，辅以外部干预和内部监控功能，保证测试的正常进行。
此外，我们还需要鉴别出各种可能的异常情况(如测试触发失败)和合理情况(如用户主动停止)，并据此输出不同的反馈信息，并且无论测试流程出现何种分支，最后都能形成闭环，这对系统的健壮性非常重要。以下是状态流转图：
举两个典型的应用场景：
- 用户触发测试后，由于测试压力过大，运维要求立刻停止测试，这时的闭环为：初始 -> BOOTING -> LAUNCHING -> 用户触发停止 -> 直接进入收集流程 -> 状态标记为STOP -> 清理压测机 -> 初始
- 用户触发测试后，压测机由于某些原因突然断网，这时的闭环为：初始 -> BOOTING -> LAUNCHING -> 监控发现问题 -> 状态标记为FAILURE -> 清理压测机 -> 初始
整个状态流转的实现，采用异步Job机制实现了类似状态机的概念，状态属性持久化到数据库中，便于恢复。
实时数据
JMeter本身并不提供图形化的实时数据展示功能，以往我们只能通过JMeter Log看到一些粗略的信息，并结合外部监控工具观察指标情况。在压测平台中，我们对该功能进行了实现，主要原理是通过JMeter的Backend Listener (JMeter 3.2+)，将测试结果实时发往InfluxDB，同时平台向InfluxDB轮询查询数据，得到实时曲线并展示给用户。
在实践过程中，向InfluxDB发送数据的频次是比较高的，可能会对压测机造成压力，因此我们改造了JMeter的InfluxDB sender，替换了HTTP方式，增加了以UDP协议发送数据的实现，解决了这一问题。
预配置
在“测试状态流转”一节中，阐明了测试的总体流程，第一步即为配置，配置的具体内容是：将测试需要的脚本、数据文件和插件，推送到每一台测试机上，为测试执行做好准备。
但如果测试文件比较大，或者需要配置的压测机数量比较多，配置可能会占用较多时间，影响测试进程，这是很多平台遇到的共性问题。对此，我们提出了预配置的概念，即用户可以提前对测试用例，针对某几台压测机进行配置工作，但并不执行。预配置会保留一定的时间，在这段时间内，用户可以直接执行测试，不需要再重复配置。
以下为预配置的状态转换图：
熔断与兜底
全链路压测一般都在线上真实环境进行，安全是首要考虑的因素，不能因为测试本身而导致服务不可用或事故。我们提供了四个维度的机制进行安全保障。
- 权限管理：用户权限分级管理，不能随意触发他人的测试用例，同时高峰期和禁止发布期，不允许执行任何测试。
- 停止功能：这是面向用户的手动停止功能，用户可以随时点击运行状态下的测试用例上的停止按钮，后台会直接kill掉所有运行该测试用例的测试机上的JMeter进程。
- 熔断功能：系统会根据实时信息中的错误率进行判断，当一定时间内的实时错误率达到或超过某个阈值时，该次测试将被自动熔断，无需用户干预。
- 兜底脚本：最极端的情况，当整个系统不可用，而此时需要停止测试时，我们提供了一份外部脚本直接进行停止。
结果收集
由于我们自己实现了JMeter分布式的管理，因此我们也需要自己对结果集进行处理，结果的主要来源为测试生成的JTL文件。
针对JTL，结果数据需要做预聚合再存入，原因是JTL中单条结果数据的大小非常小(大约100多个字节)，但总量很大(可能有几万到几百万条)，很容易由于重复存储维度字段的KEY值而导致表过大。预聚合主要根据以label作大分类，维度作小分类，以时间作为聚合标准，interval固定，从而保证Document大小不会过大。
以下是结果集片段的数据结构概要(单label)：
前端会根据持久化的数据，形成可视化图表，为用户展现。
总结与展望
全链路压测平台自今年7月上线以来，为超过5个部门累计提供了上千次测试服务。按照每一类测试配置和执行的人力成本为15分钟计算，大约节省了1000个小时的工作量。
目前，全链路压测的自动化只是针对测试执行范畴，我们还有很多工作要做，在未来，我们希望能够将自动化的脚步覆盖到测试前和测试后，真正建设出全链路压测的自动化生态体系。
