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：

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。

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

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。

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。

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

加入我们

字节跳动环境治理与容灾团队，负责整个字节跳动线下环境治理与效能工具建设，支持抖音、TikTok、头条、西瓜、番茄小说、电商、游戏、教育等众多产品线。我们致力于通过技术中台、与基础架构团队合作等方式，帮助业务提升服务端测试效率，团队下产品包括字节环境治理、全链路压测平台、数据构造平台、推荐 Mock 平台等。欢迎更多同学加入我们，构建行业顶尖的服务端工具。感兴趣可以联系邮箱 yuzhou.007@bytedance.com 并注明 环境治理与容灾方向。