performance-engineering

性能工程

目的

性能工程涵盖负载测试、性能分析和优化，旨在交付可靠且可扩展的系统。本技能提供了用于选择合适性能测试方法（负载、压力、浸泡、尖峰）的框架、用于识别瓶颈（CPU、内存、I/O）的性能分析技术，以及面向后端 API、数据库和前端应用的优化策略。

使用本技能可在发布前验证系统容量、在 CI/CD 流水线中检测性能回归、通过性能分析识别并解决瓶颈，以及优化整个技术栈中的应用响应能力。

何时使用本技能

常见触发场景：

• “验证 API 能否承载预期流量”
• “找出最大容量和故障临界点”
• “确定应用变慢的原因”
• “检测内存泄漏或资源耗尽”
• “优化 Core Web Vitals 以提升 SEO”
• “在 CI/CD 中设置性能测试”
• “降低云基础设施成本”

使用场景：

• 发布前的容量规划和负载验证
• 重构后的性能回归测试
• 调查响应时间过长或延迟过高的问题
• 检测长期运行服务中的内存泄漏
• 优化数据库查询性能
• 验证自动扩缩容配置
• 建立性能 SLO 和预算

性能测试类型

负载测试

验证系统在预期流量下的行为。

适用场景： 发布前的容量规划、重构后的回归测试、验证自动扩缩容。

压力测试

找出系统的容量上限和故障模式。

适用场景： 容量规划、了解故障行为、基础设施规格决策。

浸泡测试

识别内存泄漏、资源耗尽以及随时间推移出现的性能下降。

适用场景： 检测内存泄漏、验证连接池清理、测试长期运行的批处理作业。

尖峰测试

验证系统对流量突然激增的响应。

适用场景： 验证自动扩缩容、测试事件驱动系统（产品发布）、确保速率限制正常工作。

快速决策框架

应使用哪种测试类型？

What am I trying to learn?
├─ Can my system handle expected traffic? → LOAD TEST
├─ What's the maximum capacity? → STRESS TEST
├─ Will it stay stable over time? → SOAK TEST
└─ Can it handle traffic spikes? → SPIKE TEST

有关详细的测试模式、负载场景和结果解读，请参阅 references/testing-types.md。

负载测试快速入门

k6（JavaScript）

安装：

brew install k6  # macOS
sudo apt-get install k6  # Linux

基本负载测试：

import http from 'k6/http';
import { check, sleep } from 'k6';

export const options = {
  stages: [
    { duration: '30s', target: 20 },
    { duration: '1m', target: 20 },
    { duration: '30s', target: 0 },
  ],
  thresholds: {
    http_req_duration: ['p(95)<500'],
    http_req_failed: ['rate<0.01'],
  },
};

export default function () {
  const res = http.get('https://api.example.com/products');
  check(res, {
    'status is 200': (r) => r.status === 200,
  });
  sleep(1);
}

运行： k6 run script.js

有关压力、浸泡和尖峰测试示例，请参阅 examples/k6/。

Locust（Python）

安装：

pip install locust

基本负载测试：

from locust import HttpUser, task, between

class WebsiteUser(HttpUser):
    wait_time = between(1, 3)
    host = "https://api.example.com"

    @task(3)
    def view_products(self):
        self.client.get("/products")

    @task(1)
    def view_product_detail(self):
        self.client.get("/products/123")

运行： locust -f locustfile.py --headless -u 100 -r 10 --run-time 10m

有关 REST API 测试和数据驱动测试，请参阅 examples/locust/。

性能分析快速入门

何时进行性能分析

症状	性能分析类型	工具
CPU 使用率高（>70%）	CPU 性能分析	py-spy、pprof、DevTools
内存持续增长	内存性能分析	memory_profiler、pprof heap
响应缓慢，CPU 使用率低	I/O 性能分析	查询日志、pprof block

Python 性能分析

py-spy（适用于生产环境）：

pip install py-spy

# Profile running process
py-spy record -o profile.svg --pid <PID> --duration 30

# Top-like view
py-spy top --pid <PID>

内存性能分析：

from memory_profiler import profile

@profile
def my_function():
    a = [1] * (10 ** 6)
    return a

# Run: python -m memory_profiler script.py

Go 性能分析

pprof（内置）：

import (
    "net/http"
    _ "net/http/pprof"
)

func main() {
    go func() {
        http.ListenAndServe("localhost:6060", nil)
    }()
    startApp()
}

采集性能分析数据：

# CPU profile (30 seconds)
go tool pprof http://localhost:6060/debug/pprof/profile?seconds=30

# Interactive analysis
(pprof) top
(pprof) web

TypeScript/JavaScript 性能分析

Chrome DevTools（浏览器/Node.js）：

Node.js：

node --inspect app.js
# Open chrome://inspect
# Performance tab → Record

clinic.js（Node.js）：

npm install -g clinic
clinic doctor -- node app.js

有关详细的性能分析工作流和分析方法，请参阅 references/profiling-guide.md 和 examples/profiling/。

优化策略

缓存

适合缓存的情况：

• 经常查询的数据（>100 次请求/分钟）
• 可容忍的数据新鲜度（接受超过 1 分钟的数据陈旧）

Redis 示例：

import redis
r = redis.Redis()

def get_cached_data(key, fn, ttl=300):
    cached = r.get(key)
    if cached:
        return json.loads(cached)
    data = fn()
    r.setex(key, ttl, json.dumps(data))
    return data

数据库查询优化

避免 N+1 查询：

# Bad: N+1 queries
users = User.query.all()
for user in users:
    print(user.orders)  # Separate query per user

# Good: Eager loading
users = User.query.options(joinedload(User.orders)).all()

索引：

CREATE INDEX idx_users_email ON users(email);

API 性能

基于游标的分页：

app.get('/api/products', async (req, res) => {
  const { cursor, limit = 20 } = req.query;

  const products = await db.query(
    'SELECT * FROM products WHERE id > ? ORDER BY id LIMIT ?',
    [cursor || 0, limit]
  );

  res.json({
    data: products,
    next_cursor: products[products.length - 1]?.id,
  });
});

前端性能（Core Web Vitals）

关键指标：

• LCP（最大内容绘制）： < 2.5s
• INP（交互到下一次绘制）： < 200ms
• CLS（累积布局偏移）： < 0.1

优化技巧：

• 代码拆分（延迟加载）
• 图像优化（WebP、响应式、延迟加载）
• 预加载关键资源
• 尽量减少阻塞渲染的资源

如需了解详细的优化策略，请参阅 references/optimization-strategies.md 和 references/frontend-performance.md。

性能 SLO

按服务类型推荐的 SLO

服务类型	p95 延迟	p99 延迟	可用性
面向用户的 API	< 200ms	< 500ms	99.9%
内部 API	< 100ms	< 300ms	99.5%
数据库查询	< 50ms	< 100ms	99.99%
后台作业	< 5s	< 10s	99%
实时 API	< 50ms	< 100ms	99.95%

SLO 选择流程

1. 测量基准性能
2. 确定用户预期
3. 设定可实现的目标（比基准性能好 10-20%）
4. 随着系统成熟不断迭代

如需了解详细的 SLO 框架和性能预算，请参阅 references/slo-framework.md。

CI/CD 集成

在流水线中进行性能测试

GitHub Actions 示例：

name: Performance Tests

on:
  pull_request:
    branches: [main]

jobs:
  load-test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4

      - name: Install k6
        run: |
          curl https://github.com/grafana/k6/releases/download/v0.48.0/k6-v0.48.0-linux-amd64.tar.gz -L | tar xvz
          sudo mv k6-v0.48.0-linux-amd64/k6 /usr/local/bin/

      - name: Run load test
        run: k6 run tests/load/api-test.js

性能预算：

// k6 test with thresholds (fail build if violated)
export const options = {
  thresholds: {
    http_req_duration: ['p(95)<500'],
    http_req_failed: ['rate<0.01'],
  },
};

性能分析工作流

标准流程：

1. 观察症状（CPU 使用率高、内存增长、响应缓慢）
2. 假设瓶颈所在（CPU？内存？I/O？）
3. 根据假设选择性能分析类型
4. 在真实负载下运行性能分析器
5. 分析性能报告（火焰图、调用树）
6. 找出热点（占用 80% 资源的前 20% 函数）
7. 优化瓶颈
8. 重新进行性能分析，验证改进效果

最佳实践：

• 在真实负载下进行性能分析（而不是在空闲系统上）
• 在生产环境中使用采样型性能分析器（py-spy、pprof）（开销低）
• 关注热点路径（优先优化最大的瓶颈）
• 通过优化前后的对比验证优化效果

工具推荐

负载测试

首选：k6（基于 JavaScript，由 Grafana 提供支持）

• 现代化架构，云原生
• JavaScript DSL（ES6+）
• 与 Grafana/Prometheus 集成
• 支持多种协议（HTTP/1.1、HTTP/2、WebSocket、gRPC）

适用场景： 现代 API、微服务、CI/CD 集成。

替代方案：Locust（基于 Python）

• 原生支持 Python（使用 Python 编写测试）
• 提供用于实时监控的 Web 界面
• 适用于复杂用户场景，灵活性高

适用场景： 以 Python 为主的团队、复杂用户流程。

性能分析

Python：

• py-spy（采样型，适用于生产环境）
• cProfile（确定性，详细）
• memory_profiler（内存泄漏检测）

Go：

• pprof（内置，支持 CPU/堆/协程/阻塞性能分析）

TypeScript/JavaScript：

• Chrome DevTools（浏览器/Node.js）
• clinic.js（Node.js 性能套件）

如需了解详细的工具对比，请参阅 references/testing-types.md 和 references/profiling-guide.md。

参考文档

详细指南：

• references/testing-types.md - 负载、压力、浸泡、突增测试模式
• references/profiling-guide.md - 跨语言的 CPU、内存、I/O 性能分析
• references/optimization-strategies.md - 缓存、数据库、API 优化
• references/frontend-performance.md - Core Web Vitals、打包优化
• references/slo-framework.md - 设置 SLO、性能预算
• references/benchmarking.md - 基准测试最佳实践

示例：

• examples/k6/ - 负载、压力、浸泡、突增测试
• examples/locust/ - 基于 Python 的负载测试
• examples/profiling/ - 性能分析示例（Python、Go、TypeScript）
• examples/optimization/ - 缓存、查询、API 优化

相关技能

如需了解全面的测试策略，请参阅 testing-strategies 技能。

如需了解 CI/CD 集成模式，请参阅 building-ci-pipelines 技能。

如需了解如何根据负载测试确定基础设施规模，请参阅 infrastructure-as-code 技能。

如需了解 Kubernetes 性能测试，请参阅 kubernetes-operations 技能。