支付宝的性能测试
作者 付丽华 孙玉星 发布于 2014年5月22日 | 6 讨论
一、性能测试支付宝场景介绍
2013年双11过程当中，促销开启的第一分钟内支付宝的交易总额就突破了一亿元，短时间内大量用户涌入的情况下，如何保证用户的支付顺畅，是对支付宝应用系统的一个极大的挑战。
支付宝的性能测试场景分为性能基线测试，项目性能测试。
任意一笔交易过来，我们都需要对交易进行风险扫描，对于有可能是账户盗用的交易，我们会把这笔支付直接拒绝掉，或者通过手机校验码等方式进行风险释放。
相关厂商内容
滴滴出行iOS客户端架构演进之路！
微信客户端如何应对弱网络！
函数式编程中的Swift与Swift中的函数式编程！
你离成为一位合格的技术领导者还有多远？
国际范 最前沿 不容错过的容器技术盛会
相关赞助商
GMTC全球移动技术大会2016年6月24日-25日，北京，点击了解详情！
我们有一个老的扫描平台A，现在需要构建一个新的扫描平台B，对A中关键技术进行升级，并增加额外的功能。扫描的策略是存储在DB中的，需要通过发布来更新到应用服务器的内存中。
二、性能测试需求分析和方案制定
a. 需求挖掘
1),查看业务方的显性需求。业务方给到的需求为平台B的分析性能要优于平台A的性能。除此之外无其它的需求。
2),挖掘隐性需求.了解业务架构，了解业务流程。为了保证扫描的性能，大量的存储类的需求被设计为异步处理，但是结果类的扫描需要使用到前面落地的数据，那么在系统正常运行时是否会存在落地数据读取不到的问题，在存储抖动时是否会导致后续的分析扫描全部失效？
首先我们通过运维监控平台拿到平台A的分析性能，RT<130ms, TPS>35.
基于以上的需求挖掘，我们确认的性能测试场景为
- 扫描性能场景。（单场景）
- 发布性能场景。（单场景）
- 扫描过程中发布性能场景。（混合场景）
b. 技术方案
1).评估我们的系统架构，系统调到链路，定位可能存在问题的瓶颈点。
2).掌握详细技术实现方案，了解具体技术方案可能存在的性能问题。
比如我们是否使用到了脚本动态编译，是Java脚本还是groovy脚本。是否使用到了线程池等异步处理，系统幂等性是如何控制的，数据结构是如何存储与读取的，是决策树还是图型结构。
3).了解系统环境的差异，比如服务器位数、CPU、内存的差异，JDK版本及位数的差异。
基于以上的技术方案，我们确认了上述3个性能测试场景可能存在的性能问题
1. 扫描性能场景
技术方案为扫描引擎drools2升级到了drools5.
性能关注点为请求扫描RT，TPS是否满足我们的需求；JVM Old区内存溢出，Old区内存泄露；GC 频率过高。CPU使用率，load.
2. 发布性能场景
技术方案为规则DB捞取->规则加载->规则引擎切换->规则脚本编译。
性能关注点为CPU使用率,load。JVM Perm区内存溢出，Perm区内存泄露，GC 频率过高。GC 暂停应用时间。
3. 扫描过程中发布性能场景。
性能关注点为请求扫描RT，TPS。规则发布耗时，CPU使用率，load, JVM GC频率。
c. 性能测试方案制订
- 分布式压测，参数自动化，使用单元测试脚本，接口测试脚本，jmeter脚本等进行压测。
- 性能结果收集及统计。
- 性能测试通过标准。
基于以上的分析
1. 扫描性能场景
性能测试方案：
使用jmeter 脚本进行分布式压测，一台master, 三台slaver. 参数自动构建，使用高斯定时器模拟真实场景。
使用jmeter 收集分析性能数据，使用nmon收集服务器性能数据，使用jconsole收集JVM数据。
通过标准:
RT<130ms, TPS>35.
JVM old 区内无内存泄露，无内存溢出。GC时间间隔>30min，暂停应用时间<150ms.
CPU<70%， load < core*1.5。
2. 发布性能场景
性能测试方案：
发布时间间隔时间限制从1min调整为3s, 更快的暴露问题。
使用单元测试类推送发布消息。
服务器shell 脚本收集发布模块性能数据。
使用nmon收集服务器性能数据。
使用jconsole收集JVM数据。
通过标准：
JVM Perm 区内无内存泄露，无内存溢出。GC时间间隔>10min，暂停应用时间<200ms.
发布时间<30S
CPU<70%， load < core*1.5。
3.扫描过程中发布性能场景
性能测试方案：
使用jmeter脚本进行分布式压测，同时提交发布请求进行发布。
同时使用扫描性能场景和发布性能场景收集数据功能。
通过标准：
RT < 扫描性能场景结果RT * 110%.
TPS > 扫描性能场景结果TPS * 90%.
发布时间 < 40s。
d. 发现的问题
1. 扫描性能场景
AVG RT = 473ms， CMS GC = 90ms, 应用暂停时间 = 1s, 因此测试未通过。
问题定位：
dump内存，使用ibm memory analyzer 分析。
确认cms gc的原因为drools引擎的finalize方法。Finzlize方法不能正确的释放对象的引用关系，导致引用关系一直存在，无法释放。
调优方案：
根据drools的升级文档，升级drools引擎后解决此问题
2. 发布性能场景
CMS GC 回收失败，内存无法被释放，应用宕机。
问题定位：
GC回收比例为默认值68%，OLD区内存1024M，那么回收的临界值为1024*0.68=696.32M。系统的JVM内存占用为500M，扫描策略相关的内存为120M，在切换的过程中，依赖额外的120M，因此只有在可用内存大于740M时才能正常回收。
解决方案：
调整JVM参数，扩大GC回收比例。
后续技术方案改造，使用增量发布解决此问题。
3. 扫描过程中发布性能场景
问题定位：
扫描平台发布流程，当首次请求进来时执行脚本动态编译过程，由于脚本较多，因此所有脚本的动态编译时间较长，在此过程中，进来的所有请求都会被hand住，造成大量超时
解决方案：
把脚本的动态编译提前到首次请求调用进来之前，编译通过后再切换扫描引擎，保证首次请求进来前一切准备就绪。
三：性能测试的执行和结果收集
3.1性能测试的执行
性能测试的执行需要具备以下几个条件：施压工具,测试环境以及对测试结果的收集工具。
3.1.1 施压工具
我们先来说说施压工具，支付宝使用的主流施压工具是开源工具Apache JMeter，支持很多类型的性能测试：
- Web - HTTP, HTTPS
- SOAP
- Database via JDBC
- LDAP
- JMS
- 任何用java语言编写的接口，都可二次开发并调用。
支付宝大部分接口是webservice接口，基于soap协议，且都是java开发，所以使用jmeter非常方便，即使jemter工具本身没有自带支持的协议，也可以通过开发插件的方式支持。
3.1.2测试环境
测试环境包括被压机和施压机环境，需要进行硬件配置和软件版本确认，保证系统干净，无其他进程干扰，最好能提前监控半小时到1小时，确认系统各项指标都无异常。
另外除了被压机和施压机，有可能应用系统还依赖其他的系统，所以我们需要明确服务器的数量和架构，1是方便我们分析压力的流程，帮助后面定位和分析瓶颈，2是由于我们线下搭建的环境越接近线上，测试结果越准确。但是通常由于测试资源紧张或者需要依赖外围，例如银行的环境，就会比较麻烦，通常我们会选择适当的进行环境mock。当然，Mock的时候尽量和真实环境保持一致，举个简单的例子，如果支付宝端系统和银行进行通信，线上银行的平均处理时间为100ms，那么如果我们在线下性能测试时需要mock银行的返回，需要加入100ms延迟，这样才能比较接近真实的环境。
另外除了测试环境，还有依赖的测试数据也需要重点关注，数据需要关注总量和类型，例如支付宝做交易时，db中流水万级和亿级的性能肯定是不一样的；还有db是否分库分表，需要保证数据分布的均衡性。一般考虑到线下准备数据的时长，一般性能测试要求和线上的数据保持一个数量级。
3.1.3 测试结果收集工具
测试结果收集主要包括以下几个指标：
响应时间、tps、错误率、cpu、load、IO、系统内存、jvm（java虚拟内存）。
其中响应时间、tps和业务错误率通过jemter可以收集。
Cpu、load、io和系统内存可以通过nmon或linux自带命令的方式来监控。
Jvm可以通过jdk自带的jconsole或者jvisualvm来监控。
总体来说，监控了这些指标，对系统的性能就有了掌握，同样这样指标也可以反馈系统的瓶颈所在。
四．性能测试瓶颈挖掘与分析
我们在上面一章中拿到性能测试结果，这么多数据，怎么去分析系统的瓶颈在哪里呢，一般是按照这样的思路，先看业务指标：响应时间、业务错误率、和tps是否满足目标。
如果其中有一个有异常，可以先排除施压机和外围依赖系统是否有瓶颈，如果没有，关注网络、db的性能和连接数，最后关注系统本身的指标：
- 硬件：磁盘是否写满、内存是否够用、cpu的利用率、平均load值
- 软件：操作系统版本、jdk版本、jboss容器以及应用依赖的其他软件版本
- Jvm内存管理和回收是否合理
- 应用程序本身代码
先看下图：是一般性能测试环境部署图
1.
我们在定位的时候，可按照标注中的1、2、3数字依次进行排查，先排查施压机是否有瓶颈、接着看后端依赖系统、db、网络等，最后看被压机本身，例如响应时间逐渐变慢，一般来说是外围依赖的系统出现的瓶颈导致整体响应变慢。下面针对应用系统本身做下详细的分析，针对常见问题举1~2个例子：
4.1 应用系统本身的瓶颈
1. 应用系统负载分析：
服务器负载瓶颈经常表现为，服务器受到的并发压力比较低的情况下，服务器的资源使用率比预期要高，甚至高很多。导致服务器处理能力严重下降，最终有可能导致服务器宕机。实际性能测试工作中，经常会用以下三类资源指标判定是否存在服务器负载瓶颈：
- CPU使用率
- 内存使用率
- Load
一般cup的使用率应低于50%，如果过高有可能程序的算法耗费太多cpu，或者某些代码块进行不合理的占用。Load值尽量保持在cpuS+2 或者cpuS*2，其中cpu和load一般与并发数成正比（如下图）
- 内存可以通过2种方式来查看：
1) 当vmstat命令输出的si和so值显示为非0值，则表示剩余可支配的物理内存已经严重不足，需要通过与磁盘交换内容来保持系统的稳定;由于磁盘处理的速度远远小于内存，此时就会出现严重的性能下降;si和so的值越大，表示性能瓶颈越严重。
2) 用工具监控内存的使用情况，如果出现下图的增长趋势（used曲线呈线性增长），有可能系统内存占满的情况：
如果出现内存占用一直上升的趋势，有可能系统一直在创建新的线程，旧的线程没有销毁；或者应用申请了堆外内存，一直没有回收导致内存一直增长。
4.2 Jvm瓶颈分析
4.2.1Gc频率分析
对于java应用来说，过高的GC频率也会在很大程度上降低应用的性能。即使采用了并发收集的策略，GC产生的停顿时间积累起来也是不可忽略的，特别是出现cmsgc失败，导致fullgc时的场景。下面举几个例子进行说明：
1. Cmsgc频率过高，当在一段较短的时间区间内，cmsGC值超出预料的大，那么说明该JAVA应用在处理对象的策略上存在着一些问题，即过多过快地创建了长寿命周期的对象，是需要改进的。或者old区大小分配或者回收比例设置得不合理，导致cms频繁触发，下面看一张gc监控图（蓝色线代表cmsgc）
由图看出：cmsGC非常频繁，后经分析是因为jvm参数-XX:CMSInitiatingOccupancyFraction设置为15，比例太小导致cms比较频繁，这样可以扩大cmsgc占old区的比例，降低cms频率注。
调优后的图如下：
2. fullgc频繁触发
当采用cms并发回收算法，当cmsgc回收失败时会导致fullgc：
由上图可以看出fullgc的耗时非常长，在6~7s左右，这样会严重影响应用的响应时间。经分析是因为cms比例过大，回收频率较慢导致，调优方式：调小cms的回比例，尽早触发cmsgc，避免触发fullgc。调优后回收情况如下
可以看出cmsgc时间缩短了很多,优化后可以大大提高。从上面2个例子看出cms比例不是绝对的，需要根据应用的具体情况来看，比如应用创建的对象存活周期长，且对象较大，可以适当提高cms的回收比例。
3. 疑似内存泄露，先看下图
分析：每次cmsgc没有回收干净，old区呈上升趋势，疑似内存泄露
最终有可能导致OOM，这种情况就需要dump内存进行分析：
- 找到oom内存dump文件，具体的文件配置在jvm参数里：
-XX:HeapDumpPath=/home/admin/logs -XX:ErrorFile=/home/admin/logs/hs_err_pid%p.log
- 借助工具：MAT，分析内存最大的对象。具体工具的使用这里就不再介绍。
感谢侯伯薇对本文的审校。
给InfoQ中文站投稿或者参与内容翻译工作，请邮件至editors@cn.infoq.com。也欢迎大家通过新浪微博（@InfoQ ）或者腾讯微博（@InfoQ ）关注我们，并与我们的编辑和其他读者朋友交流。
【ArchSummit深圳2016】15大精彩专题，50位大咖讲师，Cloudera、Hearsay Social、Uber、LinkedIn、Twitter等等，你将为哪家公司技术点赞？阿里巴巴、腾讯、百度、美团、饿了么、滴滴、新浪微博等等，核心业务技术较量谁又能触动你的神经...最精彩的技术切磋从这开始，ArchSummit九折门票倒计时，详情请点击。
相关内容
1808亿次，16倍的超越！谈支付宝红包的高并发挑战
支付宝的高可用与容灾架构演进
支付宝红包的双11挑战
支付宝无线：从前端到后端的服务治理
蚂蚁金服11.11：支付宝和蚂蚁花呗的技术架构及实践
来源：oschina
链接：https://my.oschina.net/u/2624214/blog/684237