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：
无法复制加载中的内容
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）
流量录制回放
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
1.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
- 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
2.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语言的服务，分析的指标包括cpu使用率、内存使用、协程数、线程数、阻塞时间。一般分析Top使用率，如果TopList展示了不正常的元素，应该关注这个异常元素。
3.系统层tracing分析
- 基于宿主机系统层面的cpu、topN函数分析
常见问题
1.服务的 CPU 陡然升高，RPC调用和 consul、etcd 访问频繁超时，以及 goroutine数目大涨。
- 可能是频繁创建kitc client，每个调用创建一次。正确用法是只初始化一次client，重复使用
2.调用http接口，协程泄漏
- 可能是http connection未释放，常见的代码问题是http.Body未Close
3.内存RSS一直升高，没有下降趋势，内存泄漏
- 内存泄漏可以根据pprof top list查看最高使用的函数/对象，并作出优化调整
4.性能瓶颈为写数据库
- 可以尝试加入写proxy解决
5.redis连接超时
- 需要增加redis client连接数
6.发压压力很高，但被测服务cpu却一直未跑满
- 有可能是用到了锁，需要profile排查一下