149 lines
10 KiB
Markdown
149 lines
10 KiB
Markdown
# IM 单机 60% 容量压力测试结果
|
||
|
||
日期：2026-09-29
|
||
|
||
## 1. 结论
|
||
|
||
本轮使用一台物理压测机同时运行逻辑 agent A/B，每侧 600 个 WebSocket，合计 1200 连接。60% 容量的正确性和性能总验收未通过。
|
||
|
||
- 单聊实时和持久化正确性通过，但 ACK P95 和投递 P95 未达标。
|
||
- 群聊在 1200 条群消息、144 万设计投递量下出现 ACK 超时、连接重置和分钟级投递延迟。
|
||
- 混合场景明显越过容量拐点，737 个连接断开，仅 44.83% 发送得到 ACK。
|
||
- 独立 MySQL 核验确认：三个场景的所有 ACK 消息均精确落库，0 错配、0 重复；所有“无 ACK 但 WS 已观测”消息也均已落库。
|
||
- 压测工具本轮峰值 RSS 不超过 127 MB，每个 agent 峰值 FD 614，未显示本机内存或 FD 先饱和。
|
||
- 混合实时阶段的群 Topic 所在 `im-server-0` 出现 broadcast queue full，服务端 Topic 处理能力是已证实的瓶颈之一。
|
||
|
||
## 2. 环境与口径
|
||
|
||
- 租户：`allrich`
|
||
- HTTP/WS 入口：`api.118im.com`
|
||
- 物理压测机：1 台
|
||
- 逻辑 agent：A/B 各2个中的一个，每侧 600 连接
|
||
- 账号：1200，好友对：600，群成员：1200
|
||
- API 域名当前 3 个 IP 均经 `en1` 和局域网网关直连，未走 VPN/TUN
|
||
- IM Server：3 Pod，无重启；每 Pod request `1 CPU/512Mi`，limit `2 CPU/1Gi`
|
||
- 独立群与 manifest：`loadtest/im-pressure/manifest.single-machine.json`
|
||
|
||
准备阶段最终验证为 `accounts=1200 pairs=600 group_members=1200`。群批量邀请曾出现入口 502 和幂等任务长时间处理中，工具通过按实际成员补齐缺失用户完成恢复。
|
||
|
||
## 3. 结果汇总
|
||
|
||
| 场景 | Run ID | ACK | 实时投递 | 断连 | ACK P95 | 投递 P95 | 独立 DB 核验 | 结果 |
|
||
|---|---|---:|---:|---:|---:|---:|---:|---|
|
||
| 单聊 | `s60-p2p-r2-0929` | 12000/12000 | 12000/12000 | 0 | 1341.555ms | 2000ms | 12000 ACK 全部精确命中 | 性能未通过 |
|
||
| 群聊 | `s60-group-r1-0929` | 1145/1200 | 1350508/1374000 ACK 台账 | 47 | 11207.859ms | 94621.882ms | 1145 ACK + 39 无 ACK 落库 | 未通过 |
|
||
| 混合 | `s60-mixed-r1-0929` | 1076/2400 | 234829/263657 ACK 台账 | 737 | 17491.634ms | 101226.392ms | 1076 ACK + 1017 无 ACK 落库 | 未通过 |
|
||
|
||
表中群聊和混合的“期望投递”只按有 ACK 的 ledger 计算。发送结果未知的消息不能在没有 seq 时直接加入期望投递分母，因此该分母小于设计投递量。
|
||
|
||
## 4. 分场景记录
|
||
|
||
### 4.1 单聊
|
||
|
||
R1 的历史查询将 `limit=10` 错误地按目标消息数计算，没有计入 P2P Topic 中双方交错的 seq，造成 4619 条假缺失。修复后 R2 结果：
|
||
|
||
- 12000 条全部 ACK，无结果未知。
|
||
- 12000 次对端投递全部到达，无重复、乱序、断连。
|
||
- 12000 条历史回查全部命中，持久化缺失 0。
|
||
- ACK P95 1341.555ms，超过 500ms 门禁；同机投递 P95 落在 2000ms 桶，超过 1000ms 门禁。
|
||
|
||
### 4.2 群聊
|
||
|
||
- 发送 1200 条，1145 条 ACK，43 条 ACK 超时，12 条 socket 结果未知，无明确拒绝。
|
||
- 47 个连接断开：22 个 abnormal close，25 个 connection reset by peer。
|
||
- ACK 台账下实时缺失 23492 次，这些消息最终均可从历史查到。
|
||
- 55 条结果未知中，39 条被接收端实时观测，且全部被独立 SQL 确认落库；另 16 条既无 ACK、无 WS 观测，也无数据库记录。
|
||
- 断连发生时间为 `03:40:10Z` 至 `03:41:15Z`，与群实时发送阶段重合。
|
||
|
||
### 4.3 混合
|
||
|
||
- 设计发送为 1800 条单聊和 600 条群聊，合计 2400 条。
|
||
- 1076 条 ACK，1324 条结果未知，其中 1036 条 ACK 超时、288 条 socket 失败，无明确拒绝。
|
||
- 737 个连接断开：69 个 abnormal close，668 个 connection reset by peer。
|
||
- ACK 台账下实时缺失 28828 次，其中 28633 次对应消息最终已查到持久化记录。
|
||
- 历史验证 ledger 含 2002 条，命中 1331 条，缺失 671 条全部为 P2P。独立 SQL 确认所有 1076 条 ACK 消息和全部 926 条 WS 已观测的无 ACK 消息均已落库，因此这 671 条是 verifier 连接掉线和 3 分钟总预算造成的验证不完整，不是数据库丢失。
|
||
- 1324 条结果未知中，1017 条实际落库：926 条被 WS 观测，另有 91 条未被 WS 观测但已落库。剩余 307 条无 ACK、无 WS 观测、无数据库记录。
|
||
|
||
### 4.4 独立 MySQL 核验
|
||
|
||
核验租户 ID 为 8，消息表为 `im_008_messages` 和 `im_008_group_messages_202609`。
|
||
|
||
| 场景 | ACK expected | 精确命中 | ACK 缺失 | 错配 | 重复 | 无 ACK 但落库 |
|
||
|---|---:|---:|---:|---:|---:|---:|
|
||
| 单聊 | 12000 | 12000 | 0 | 0 | 0 | 0 |
|
||
| 群聊 | 1145 | 1145 | 0 | 0 | 0 | 39 |
|
||
| 混合 | 1076 | 1076 | 0 | 0 | 0 | 1017 |
|
||
|
||
`verify-db` 对无 ACK 但落库的行按 unexpected 报告，所以群聊和混合命令会以非零状态结束；这不代表数据错误，而是发送结果未知但服务端已持久化的重要诊断证据。
|
||
|
||
## 5. 服务端观测
|
||
|
||
- `im-server-0/1/2` 全部 Running，本轮重启数均为 0。
|
||
- 混合实时阶段 `03:53:00Z..03:53:02Z`，`im-server-0` 记录 55 次 `topic's broadcast queue is full`。
|
||
- 混合渐进关闭末尾 `04:03:45Z`，`im-server-0` 再记录 375 次同类队列满。当前 60 秒 close ramp 仍未完全避免关闭风暴。
|
||
- 同一观测窗口的 `03:45:13Z`，`im-server-2` 在 `serveIMFriendRequestAction` (`server/im_http.go:6256`) 出现一次 nil pointer panic。该端点不属于群实时发送路径，不将其归因为本轮断连，但需单独修复。
|
||
- 当前 kubeconfig 无权读取 metrics-server，未能取得负载窗口的 Pod CPU/内存历史值。
|
||
|
||
## 6. 压测工具修复
|
||
|
||
1. 新增单机 60% 配置和执行方案，A/B 各 600 连接。
|
||
2. 群聊和混合发送者按 `users_per_machine` 比例缩放，1000 用户的原参数保持不变。
|
||
3. 投递观测按 `client_mid` 分为 64 片，每个接收账号独立维护 seq，延迟直方图改为原子计数，移除 WS 读循环中的全局锁争用。
|
||
4. summary/report 新增 `disconnect_reasons` 和最多 100 条 `disconnect_samples`。
|
||
5. 群创建后立即 checkpoint manifest；批量邀请失败后重读实际成员，仅邀请缺失用户。
|
||
6. P2P 历史查询 limit 按 seq 区间扩展，上限 200，修复双方消息交错造成的假缺失。
|
||
|
||
## 7. 已实施改进
|
||
|
||
1. 好友申请接受和自动接受路径增加 store 空结果保护。底层异常返回 `nil, nil` 时记录租户、申请、操作人和状态并返回 HTTP 500，不再触发进程 panic。
|
||
2. Hub 向已满的 Topic client queue 投递失败时，立即向原发送连接返回 `503 service unavailable`，并记录 topic、tenant、队列长度和容量。客户端可据此重试，压测也不再把这类请求归为等待超时的未知结果。
|
||
3. 群消息权限检查改为复用群设置缓存，并为个人禁言增加 Redis 正向和负向缓存；新增禁言和解除禁言会同步更新缓存，到期禁言会自动淘汰。此改动减少群 Topic 串行处理路径上的 MySQL 查询。
|
||
4. `message_publish_stage_duration_seconds` 新增 `group/permission_check` 和 `*/realtime_fanout` 阶段，下轮可区分权限查询、持久化和实时扩散耗时。
|
||
5. A/B 两个逻辑 agent 按账号顺序交错关闭连接。`close_ramp=60s` 时每个 agent 的本地关闭过程约 120 秒，A/B 相差半个时隙，整体约每 100ms 关闭一个连接，避免两侧同时下线形成双倍尖峰。
|
||
6. 已增加空结果防 panic、Topic queue 满返回 503、双 agent 关闭时隙的自动化测试。
|
||
|
||
## 8. 复测顺序
|
||
|
||
1. 发版后先跑单机群聊 60%，验收实时发送阶段和关闭阶段 `topic_client` enqueue failed 均为 0；若仍过载，发送端必须收到 503，不能再出现对应的纯 ACK timeout。
|
||
2. 对比 `permission_check`、`save`、`realtime_fanout` 三阶段的 P50/P95/P99，确认群权限缓存是否消除了数据库检查瓶颈。
|
||
3. 群聊通过后再跑单机混合 60%，要求 ACK、历史和独立 SQL 三方账本一致，连接断开数为 0。
|
||
4. 补齐 Prometheus/metrics-server 权限并同步保存 Pod CPU、内存、网络、Kafka lag、Redis、MySQL 指标；在此之前不进行双机 100% 最终验收。
|
||
|
||
## 9. 发版后群聊 R2
|
||
|
||
Run ID：`s60-group-r2-0929`。
|
||
|
||
本轮开始前 3 个 Pod 均为 Running、0 重启，账号和群成员核验为 `accounts=1200 pairs=600 group_members=1200`。测试完整运行到 A/B 历史验证完成，并执行了错峰关闭和独立 MySQL 核验。
|
||
|
||
| 指标 | 结果 |
|
||
|---|---:|
|
||
| 发送尝试 / ACK | 1200 / 871 |
|
||
| 结果未知 | 329（222 timeout、107 socket） |
|
||
| 断连 | 360（315 reset、44 abnormal close、1 timeout） |
|
||
| ACK P95 | 16630.441ms |
|
||
| 投递 P95 | 101823.156ms |
|
||
| ACK 台账期望 / 实时收到 | 1045200 / 889777 |
|
||
| 实时缺失 | 155423，最终全部查到持久化 |
|
||
| 历史回查 | 1080 / 1080 |
|
||
| DB：ACK 精确命中 | 871 / 871 |
|
||
| DB：无 ACK 但落库 | 209 |
|
||
| DB：缺失 / 错配 / 重复 | 0 / 0 / 0 |
|
||
|
||
329 条结果未知中，209 条已被 WS 观测且独立 SQL 确认落库，剩余 120 条数据库中不存在。断连样本主要是公网对端 `connection reset by peer`，且样本连接均指向 `64.118.158.131:443`；本机到域名全部当前 IP 均使用 `en1` 静态直连，没有经过 VPN/TUN。
|
||
|
||
服务端指标显示群 Topic 所在 `im-server-0` 的 1080 条 `save` 全部低于 100ms，Kafka consumer lag 为 0；但 `topic_server` 队列累计出现 393 次 full。压测客户端 CPU、RSS 不构成瓶颈。
|
||
|
||
本轮不能作为提交 `75bb448` 的有效回归：Pod 中运行的二进制不包含该提交新增的 `permission_check`、`realtime_fanout` 阶段字符串和好友申请空结果保护日志，Prometheus 也没有相应时序，说明实际部署镜像不是该提交构建结果。必须正确部署 `75bb448` 或后续提交后重跑。
|
||
|
||
此外，本轮发现 agent 只在正式开始前维护连接，统计窗口内断线后不会恢复，导致历史核验依赖剩余连接。后续已改为持续维护到 A/B 历史验证均完成，并将重连并发限制为每 agent 16，避免恢复风暴；每次计划发送前重新取得当前连接。
|
||
|
||
## 10. 产物
|
||
|
||
- 方案：`docs/test/IM-单机60%容量压力测试方案.md`
|
||
- 单聊 R2：`loadtest/im-pressure/results/s60-p2p-r2-0929/`
|
||
- 群聊 R1：`loadtest/im-pressure/results/s60-group-r1-0929/`
|
||
- 混合 R1：`loadtest/im-pressure/results/s60-mixed-r1-0929/`
|
||
- 群聊 R2：`loadtest/im-pressure/results/s60-group-r2-0929/`
|
||
|
||
结果目录包含 coordinator、A/B summary、合并 report 和 agent 指标 JSONL。
|