以下文章来源于字节跳动技术质量 ，作者GML

背景

全链路压测指的是基于实际的生产业务场景、系统环境，模拟海量的用户请求和数据对整个业务链进行压力测试，并持续调优的过程。常用于复杂业务链路中，基于全链路压力测试发现服务端性能问题。

随着公司业务的不断扩张，用户流量在不断提升，研发体系的规模和复杂性也随之增加。线上服务的稳定性也越来越重要 ™，服务性能问题，以及容量问题也越发明显。为了及时暴露服务的各种稳定性问题，我们了引入了基于线上全链路压测的工具、研发体系。

本文主要介绍字节跳动的服务端全链路压测体系，以及字节跳动各种业务的全链路压测实践。

压测方案

网络架构

  • 目的

理解业务的请求在网络中是如何流转的，整个过程经过了哪些节点。业务请求经过的所有节点，都是压测的对象。在压测过程中，都需要关注其性能表现。

  • 请求流转

下图一个典型的网络架构，用户请求通过 CDN 溯源，经过 TTGW，TLB，AGW，然后才到达业务服务 PSM。（TTGW 是头条的高性能 4 层负载均衡网关，TLB 是七层负载均衡服务，AGW 是头条统一业务 Api 接入层）

压测目的与方案

在全链路压测体系第一步，压测人员必须明确压测目的，当明确压测目的后才能选择一个合理的压测方案。一个完整合理的方案可以提高全链路压测效率，减少没有意义的工作，节约了时间成本，对后续其他模块的压测或常态化压测提供了一定借鉴。

  • 目的：在结合业务背景前提下，用户清晰把握明确性能测试的目的是什么？根据不同场景分类，有着不同目的，常见的场景如下：

场景分类主要目的典型场景主要特点能力验证验证在给定的软硬件条件下，系统能否具有预期表现当前服务已经部署了 n 台机器，能否支持 50 万用户同时在线访问1、软硬件环境都已经确定2、有明确的性能目标3、需要根据业务场景来构造压测数据和请求容量规划关注如何使系统具有我们要求的性能春节活动需要 X 亿人同时在线访问，系统需要如何调试？（性能优化，设计优化，资源预估）1、它是一种探索性测试2、常用于了解系统现状3、需要根据系统现状，对未来系统进行一个预估和规划性能调优主要用于对系统性能进行调优系统响应越来越慢，此时该如何处理？1、对于代码级的优化，单实例压测即可2、对于系统整体设计优化，需要集群压测，保证集群负载维持在一定水位缺陷发现重现发现/重现性能缺陷服务线程死锁，内存泄漏等1、需要对性能问题分类2、针对每类问题构造对应的数据和压测策略性能基准比较系统新版本的性能验证新版本的代码改动，是否有降低了系统性能，是否符合上线要求1、有版本性能基准2、固定环境因素的影响3、AAB Diff 4、diff 置信度

压测目标

在网络架构图中，明确展示了各系统各司其职，它们分别负责将用户请求做相应处理并将请求流转至下游服务。因此，根据压测方案的目的，选择一个合理的压测目标，可以减少大量的压测工作，提高压测效率。

目的压测目标典型场景压测带宽从 CDN、TLB 处发压春节活动需要 X 亿人同时在线访问，链路带宽是否足够？压测业务逻辑从汇聚机房、核心机房、卫星机房的 AGW 和业务服务发压用户零点秒杀，是否能够保障商品、订单等系统一切正常？压测异步消息从 MQ producer 处发压异步消息队列是否能够满足高压力场景？

环境隔离

在字节内部，线下测试环境是不允许压测的，由于线下资源不足，与线上环境差异大，压测出来的结论并不能充分保证线上的性能情况。因此本文指的压测都是在线上环境的压测。下文将重点介绍字节的全链路压测环境。

压测标记

为了区分线上流量与压测流量，使服务可以针对压测流量做定制业务逻辑，服务架构体系在服务框架与服务治理层面设定了压测标记。

目的：

  • 对于框架与服务治理体系而言，压测标记可以用于区分流量属性，并且做相应拒绝/通过操作。
  • 对于业务服务内部而言，压测标记可以让业务方识别压测流量并做相应的业务逻辑处理。

原理：

  • 通过特殊字段 stress_tag，对压测流量进行染色，且压测标记对应的 value 不为空的流量。
  • 服务框架通过解析请求的 stress_tag，对接口上下文注入压测标识符，并透传至下游服务，完成全链路压测标记透传。

生效条件：

  • 压测前必须做服务改造。在全链路中，所有服务必须将上下文透传至下游，保证压测标记能被框架识别且透传。

压测开关

为了强化压测流量的管理，服务治理体系引入了压测开关的概念。压测开关作为总控制，所有服务框架必须判断压测开关是否打开，若打开才能允许通过压测流量，若关闭则只能拒绝压测流量。

目的：

  • 保护线上服务，避免线上服务在没有准备好的情况下，或不能压测的情况，受到压测流量的袭击
  • 压测紧急处理，对于线上服务负载过大时，且无法停止压测流量时，可以通过压测开关拦截所有压测流量，避免出现线上故障

原理：

  • 压测开关的表达方式是 etcd 的配置值，每个服务都会有一个特定的压测开关 key，value 为 on 表示打开状态，off 为关闭状态。存储服务的压测开关 key 各有不同。
  • 每个服务每个集群都有一个压测开关(key = psm/cluster)，控制该集群的压测流量
  • 计算服务的压测开关状态都是由框架和 Mesh 来判断的，存储服务的压测开关状态则是由存储服务的 SDK 来判断的
  • 压测开关没有打开时，压测流量会被服务框架或存储 SDK 拒绝

生效条件：

  • 压测前必须打开整条调用链中所有服务的压测开关，否则压测流量会被框架/SDK 拒绝。（开关可以在 Rhino 压测平台打开）

存储隔离方案

对于压测数据的存储，必须将线上数据与压测数据做隔离，否则会导致压测数据量过大影响线上数据正常存取。

目的：

  • 将压测过程中产生的测试脏数据与线上真实数据做隔离，防止污染线上真实存储。
  • 存储隔离后，可以测试出预期存储条件下的性能。

原理：

  • 各存储系统的 SDK 会对输入的上下文识别压测标识符，若存在压测标记，则走影子表存储，否则走线上存储。
  • 部分 SDK 另外提供压测开关判断，用户需打开存储服务的压测开关方可存到影子表中。

生效条件：

  • 压测前必须对代码做相应改造，并升级至最新版本的存储 SDK

平台搭建

Rhino 压测平台

它是一个多功能压测平台，支持多种场景、模式的发压。Rhino 统一管理了压测任务、压测数据、发压机、压测结果。集成了 Bytemesh、User、Trace、Bytemock、Bytecopy 等多个系统。

Rhino 压测平台支持以下能力

Rhino 压测平台压测协议支持HTTP/HTTPS/protobuf/Thrift/其他所有(plugin)/TCP发压能力日常发压实例数<400，2021 春节压测峰值 QPS=7000w发压机可以无限水平扩容多机房支撑CN/SG/US压测环境支持线上线下环境压测，支持多泳道泳道压测压测数据用户构造 fake 数据csv 文件数据流量录制回放：录制数据保存在 hdfs，可以多次改写，回放。不受时间限制研发流量整合接入 Devops，发布前，对 stress 集群进行压测性能 diff支持不同压测结果的 diff，支持 diff 压测基线压测报告客户端监控、服务端监控、下游监控、性能 profile，告警监控，性能分析压测风险压力太大，有将服务及下游打挂的风险压测链路中存在写接口，如果没有改造，有数据污染的风险风险控制压测标记 & 压测开关链路梳理 & 压测周知告警监控自动停止压测流量压测方式Fake 数据压测流量录制回放线上单实例流量调度

压测方式

根据不同业务的场景、以及压测的方案，业务方需要制定不同的发压方式，以达到压测预期效果。下面将介绍 Rhino 平台提供的四种发压方式，业务方需根据自身业务特点，选择适合的方式发压。

Fake 流量

Fake 流量压测是指用户自行构造压测请求进行压测。Rhino 平台支持 HTTP、Thrift 两种协议的 Fake 流量发压。

原理：

Fake 流量模式适合针对请求参数简单的接口压测，同时也适合针对特定请求进行压测。Rhino 平台会为每个请求注入压测标记。

典型场景：

  • 新服务上线之前进行压测。
  • 为了重现某种场景下造成的性能问题，构造特定参数的请求发压。
  • 线上 http/thrift 服务已经在运行，且接口参数比较单一，快速压测接口
  • 接入公司 passport lib 后，使用压测账号进行压测

自定义插件发压

为了支持更多的协议与更复杂的压测场景，Rhino 平台支持了 GoPlugin 发压模式。

原理：

依赖 golang 的 plugin 功能，运行时加载 plugin 文件，并加以执行

GoPlugin 发压模式适合灵活构造请求数据、支持自定义协议、支持自定义发压场景，相当于所有发压场景都可以通过代码实现。注意 Rhino 平台对于 GoPlugin 模式不会注入压测标记，用户需在插件内加上压测标记。

典型场景：

  • 压测自定义协议的服务，如 websocket、gRPC 等
  • 压测自定义的场景，如请求一个接口后等待 2s 再次请求第二个接口、请求第一个接口对返回值做相应的计算转换再请求第二个接口等
  • 自定义的压测数据构造，比如从 DB、服务等获取压测请求数据
  • 自定义的压测目标：比如要压测消息队列，可以通过构造一个 GoPlugin 对 producer 发压

流量录制回放

为了使压测更贴近线上请求，Rhino 平台支持了流量录制回放的发压模式，平台经过线上流量采集、线上流量改写为压测请求、压测流量回放三个步骤，将线上请求回放到压测目标中。

原理：

依赖 bytecopy 的采集流量能力，要求服务已经部署到线上，开启 mesh，且有流量可以采集。

典型场景：

  • 构造压测请求比较复杂，且服务已经上线，线上有流量可供采集
  • 压测需要模拟线上请求的分布，避免 hot key，如搜索 query
  • 希望将线上流量放大 N 倍，录制线上流量并回放到特定压测目标
  • 希望录制线上流量，同时执行复杂的改写规则用于回放

流量调度

对于服务维度而言，如果想测试服务能承载多少 QPS，每个接口的 QPS 分布情况，流量调度是一个比较合适的压测方式。Rhino 平台支持了单实例的流量调度模式压测。

原理：

scheduler 修改被测实例的 consul 权重，使流量不断打到目标实例中，而其他实例流量相应的减少，保持服务的总流量不变。压测的请求完全来自线上流量，不使用压测标识，因此压测流量的流转、存储均保持线上模式。同时 scheduler 会监控目标实例的服务指标，当服务指标到达阈值后将停止压测，将 consul 权重恢复至初始值。

典型场景：

  • 希望评估当前服务能够承载多少 qps，每个接口分别承载多少 qps，可将压测结果用于服务容量评估
  • 不希望对代码做压测改造，快速增加单实例的压力

压测方式对比

下面将上述压测方式在压测目标、压测场景、优缺点维度下做对比，方便业务方选择合适的方式用于压测。

压测方法Fake 流量压测 (Http &Thrift）自定义压测（Plugin）自定义压测（Plugin）流量调度作用目标集群或单实例集群或单实例集群或单实例单实例压测场景单接口/多接口（场景/流量配比）单接口/多接口（任何形式）单接口/多接口（场景/流量配比）服务维度应用场景线上/线上 http thrfit 接口新上线的服务压测方案为明确性能优化计划线上/线上任意协议接口接口单服务复杂压测场景跨多个服务混合场景压测数据构造复杂，要求数据多样性强线上数据快速压测单实例容量测试缺点压测数据构造形式单一对用户代码能力要求较高任务需要自行调试需要线上服务有流量服务开启 mesh 开关线上流量充足单实例不能线性反应整条链路的性能

监控

为了使压测结果更准确、使被测服务在压测过程中更安全，Rhino 平台开发了一套压测专用的报警监控体系。分为实时客户端监控、被测服务端监控、Ms 报警监控。

实时监控

公司的服务监控体系是基于 metrics 的 30s 一次聚合，但是对于压测任务而言，意味着观察压测状态需要等待 30s 的延时，这基本上是不能忍受的。因此 Rhino 平台支持了发压客户端维度的秒级监控，使用户可以及时观察压测状态，当压测出现异常时可以立即停止压测。

实现方案：

服务端监控

Rhino 支持服务端角度的全链路监控，包括服务监控、机器资源监控、上下游监控。目前使用的是 grafana 面板展示，将全链路每个服务 metrics、机器 influxdb 数据聚合展示到 grafana 中。未来将使用 Argos 展示服务端监控数据。

Ms 报警监控

此外，Rhino 平台还支持监控 ms 告警规则，当被测服务或下游服务触发了告警规则后，压测任务便自动停止，防止造成线上事故。

实现方案：

分析&优化

最后，压测完成后，如何分析压测问题，并作出相应优化通常是业务方最关注的问题。下文将列举几种分析方法，以及常见的性能问题及优化方式。

分析方法

监控分析

可以从发压客户端监控、被测服务端监控发现异常，异常主要包括：

  • 尖刺现象，查看错误日志，抓请求重现

\* 压力到达瓶颈，性能开始下降，接口延时上升，需要查看 pprof 对各项指标做相应分析

\* 被测服务某一资源被打满，查看 cpu 耗时统计，找出耗时的模块

\* 流量/延时分布不均，查看 agw 是否正常分配流量，查看存储 sharding 是否正常

\* 流量/延时分布不均，查看 agw 是否正常分配流量，查看存储 sharding 是否正常

\* 协程数量大涨，且没有下降趋势，协程泄漏，检查代码协程使用

Lidar 性能平台

用户可以通过 Lidar 性能分析平台做服务的 pprof 分析，lidar 平台支持分析 golang、python 语言�