使用Grafana K6来测测你的系统负载能力
背景
近期我们有个号称会有很高很高并发的系统要上线，为了测试一下自己开发的系统的负载能力，准备了点海克斯科技，来看看抗不抗的住。
之前笔者写过用Apache JMeter进行压力测试的文章（传送门👉：https://xie.infoq.cn/article/9c156894b7374e1bd9bc6271f），这次换成了K6，实在不是因为爱折腾，而因为我们是小团队，没那么多工种，很多事儿基本都是开发自己来，K6在配置上比Jmeter更加简单，而且支持JavaScript脚本，更适合我们的测试场景。
部署环境
安装K6
这部分，其实没什么可多说的，参照官网的手册即可（传送门👉：https://grafana.com/docs/k6/latest/），我是在Ubuntu 22.04系统进行的安装。
*安装vscode
这一步其实可有可无，只是写脚本的话，Linux自带的vi，或者安装一下vim，nano等都完全足够，但我个人还是比较推荐结合vscode的remote-ssh插件，来编写远程服务器上的文件。
尤其是K6的测试脚本是JavaScript脚本，搭配vscode来写的话会更方便一些。
这里安装步骤也不细说了，在vscode插件市场搜索remote-ssh安装即可
如果使用的是wsl2，那会更加方便，进入编写k6脚本的路径下，直接输入
code .
即可在宿主机编写脚本。
测试条件
我这里要测试的对象，是一个在线考试系统，为了尽可能真实的模拟考试行为，我这里准备了几个接口，分别模拟了考试信息加载，身份验证，保存试卷草稿3个使用频率高的接口。
这里我就放一个最主要的，模拟用户保存草稿的接口
/// <summary>
/// 模拟保存草稿
/// </summary>
/// <param name="answer">提交一个长字符传</param>
/// <returns></returns>
[HttpPost]
public async Task<IActionResult> SaveDraft(SimulateSaveDto dto)
{
//模拟验证header的耗时
await Task.Delay(new Random().Next(10, 300));
int rd = new Random().Next(0, 100);
var randomOne = (await _simulation1Repo.getListAsync(u => u.Id > 0))[rd];
dto.sid=randomOne.Id;
dto.answer = Utils.GenerateRandomCodeFast(new Random().Next(2, 8000));
if (dto.answer.Length > CapConsts.CapMsgMaxLength)
{
await _redisCachingProvider.StringSetAsync("tmpSimulate" + dto.sid, dto.answer, TimeSpan.FromMinutes(1));
dto.answer = "";
}
await _capPublisher.PublishAsync(CapConsts.ClientPrefix + "SimulateSaveDraft", dto);
Logger.Warning($"{DateTime.Now}:发布事务---模拟提交答案");
return Json(_resp.success(dto.sid));
}
简单解释下这段代码，前半部分就是模拟构造了一个包含大字段的参数，因为用户提交的草稿可能会很大，我们目前的业务，光单选题就有100道，题目的id类型都是雪花算法生成的id，所以拼接完也是一个很大的字符，如果包含主观题，就更大了。
这里其实可以增量保存，但因为有其他业务关联，而且增量提交也有问题，比如用户第一份草稿提交的1-10题，到第三份草稿提交的25-30题，第四份又回去改动了第1题或者前面的题，这样又引入了新的复杂逻辑，所以这部分不多说，暂时就是这样全量保存草稿的场景。
后半部分是我使用消息队列的方式，把保存草稿的动作提交到队列里，这里在提交队列的时候做了一个前置处理，就是当答案的字符过长，就把答案暂存到Redis里，保证队列里传输的消息都不大。
一个小坑
之所以这样做，也是压测环节中发现的，因为我是使用PostgreSql来持久化存储的队列消息，EventBus组件用的CAP，当CAP在Pg里创建对列表的时候，会创建对应的索引，而当队列传输的消息过大，会报一个索引超长的错误，当然存储改为SQL Server或者手动把索引删掉就不会有这个问题，但为了确保更高的可用性，还是选择了规避。
事实上，正式接口里这里是采用的分段保存，思路就是分解答案，当字符串长度超过设定的最大长度，我们可以把字符串转成char数组，然后利用linq里对操作数组的chunk方法，分段保存用户答案，就可以避免这个问题了，也不用担心大字段临时存在Redis造成的性能问题，这篇的要点不在这里，就不细聊了。
测试脚本
测试脚本其实写完了回去看，还是挺简单的，但磨人的地方主要是在调整参数的过程，我们要根据系统的实际情况，编写压测的递进参数，尽可能的贴近实际情况，该快的时候快，该慢的时候慢，请求密度要尽可能的大，等等。
好了，直接看下这个脚本吧
import http from 'k6/http';
import { check, sleep } from 'k6';
export const options = {
thresholds: {
checks: ['rate>0.95'], // 至少 95% 的请求必须成功
http_req_duration: ['p(95)<500'] // 95% 的请求响应时间小于 500 毫秒
}
// 设置并发用户数
,stages: [
{ duration: '10s', target: 10 }, // 起始阶段，10个线程运行30秒
{ duration: '30s', target: 100 }, // 在接下来的30秒内将线程数增加到100
{ duration: '30s', target: 300 }, // 再接下来的30秒内将线程数增加到300
{ duration: '30s', target: 500 }, // 再接下来的30秒内将线程数增加到500
{ duration: '30s', target: 800 }, // 再接下来的30秒内将线程数增加到800
{ duration: '60s', target: 1000 }, // 再接下来的60秒内将线程数增加到1000
{ duration: '120s', target: 1000 } // 保持1000个程运行120秒
],
}
export default function () {
const url = '压测接口';
let params = {
headers: {
'Content-Type': 'application/json'
}
};
let payLoad ={
answer:"[]",
}
let res = http.post(url,payLoad, params);
// 解析响应体
let response = JSON.parse(res.body);
// 定义检查点
let checks = {
'status code is 200': (r) => r.status === 200,
'API code is 0': (r) => response.code === 0
};
// 执行检查点
check(res, checks);
// 记录非成功的响应
if (response.code !== 0) {
console.log(response);
//console.log(`Error: code=${response.code}, msg=${response.msg}, data=${JSON.stringify(response.data)}`);
}
sleep(2)
}
控制台打印出来的结果
事实上，控制台打印的这些数据已经足够我们分析问题了，如果我们想更直观的观看压测过程的数据情况，可以开启webdashboard
K6_WEB_DASHBOARD=true k6 run simulatescript.js
压测时，被测系统打印的日志
这样最后生成的报告会像这样👇
最后，其实不论是任何一种压测工具给出的报告，大家其实都不用有什么心智负担，因为现在是AI的时代，当我们想深入了解报告中所有参数的含义时，可以把报告直接扔给大模型，让大模型帮我们解读，这样我们也不用担心我们辛苦写的报告领导看不懂，当然我们自己也能起到促进作用，毕竟谁也不想完全被大模型替代，还是要有自己的见解才好。
好了，基本就这些内容了，下篇再细聊聊系统性能优化过程遇到的问题。