4. etcd 压测工具选型与对比

在构建多集群 etcd 压测沙盘时，选择合适的压测工具直接决定了测试数据的可信度与运维效率。本章对 benchmark、etcd-tester、ghz、k6、locust 五款工具在 etcd 场景下的表现进行系统性对比，帮助你在不同压测目标下做出最优选型。

4.1 工具概览与定位

五款工具分别覆盖了从 etcd 原生测试到通用协议压测的不同层次：

4.2 工具优劣深度对比

4.2.1 benchmark — etcd 原生压测标杆

benchmark 是 etcd 官方仓库中自带的压测工具，位于 tools/benchmark 目录下。它直接调用 etcd v3 gRPC API，无需额外封装。

• 优势：
  • 零依赖，与 etcd 版本严格对齐，支持所有 etcd 原生操作（Put、Range、Delete、Txn、Watch）。
  • 支持多连接、多客户端并发，可精确控制连接数与并发数。
  • 输出指标直接对应 etcd 内部 metrics，便于与 Prometheus 监控数据交叉验证。
• 劣势：
  • 无内置分布式能力，单机压测时可能受限于客户端机器资源。
  • 无脚本化场景编排能力，只能通过命令行参数组合测试场景。
  • 不提供实时仪表盘，结果需二次解析。

# 典型用法：10 个连接，50 个并发，压测 30 秒
./benchmark --endpoints=10.0.0.1:2379 \
  --conns=10 --clients=50 \
  put --key-size=8 --val-size=256 \
  --total=1000000 --rate=10000

4.2.2 etcd-tester — 稳定性与故障注入专家

etcd-tester 是 etcd 官方提供的集群稳定性测试工具，专注于长时间运行下的故障注入与一致性验证。

• 优势：
  • 支持自动故障注入：节点宕机、网络分区、磁盘延迟、时钟偏移等。
  • 内置线性一致性检查器，可在压测过程中实时验证数据完整性。
  • 支持集群扩缩容场景下的压力测试。
• 劣势：
  • 配置复杂，需要定义故障注入的时序和概率。
  • 不适合做单纯的性能基准测试，其设计目标偏向稳定性验证。
  • 社区维护频率较低，新版本适配可能滞后。

4.2.3 ghz — 通用 gRPC 压测利器

ghz 是一款高性能的通用 gRPC 压测工具，支持 protobuf 反射和预编译 proto 文件。

• 优势：
  • 支持分布式压测（通过 worker 模式）。
  • 输出丰富的延迟分布指标（P50、P90、P99、P99.9）。
  • 支持异步请求模式，更贴近真实客户端行为。
• 劣势：
  • 需要提前获取 etcd 的 proto 定义或启用 gRPC 反射。
  • 对 etcd 特有的 Watch、Txn 等流式或事务操作支持不够原生。
  • 无内置指标采集，需配合 Prometheus 或外部监控。

# 使用 ghz 对 etcd 的 Put 方法进行压测
ghz --insecure \
  --proto /path/to/etcd/etcdserver/etcdserverpb/rpc.proto \
  --call etcdserverpb.KV.Put \
  -d '{"key":"dGVzdA==","value":"dmFsdWU="}' \
  --rps=5000 --concurrency=50 \
  10.0.0.1:2379

4.2.4 k6 — 现代负载测试平台

k6 以 JavaScript 编写测试脚本，支持 HTTP 和 gRPC 协议，生态丰富。

• 优势：
  • 脚本化能力强，可模拟复杂的用户行为序列。
  • 内置实时仪表盘和 HTML 报告输出。
  • 支持通过 k6-operator 在 Kubernetes 中分布式运行。
• 劣势：
  • gRPC 支持依赖 k6/grpc 扩展，etcd 的流式 Watch 实现复杂。
  • 性能开销较大，单机并发数通常低于 benchmark 和 ghz。
  • 对 etcd 内部指标（如 Raft 提案延迟）无直接感知。

// k6 脚本示例：对 etcd 进行 Put 操作压测
import grpc from 'k6/net/grpc';
import { check } from 'k6';

const client = new grpc.Client();
client.load(['/path/to/protos'], 'rpc.proto');

export default function () {
  client.connect('10.0.0.1:2379', { plaintext: true });
  const response = client.invoke('etcdserverpb.KV/Put', {
    key: 'test-key',
    value: 'test-value',
  });
  check(response, { 'status is OK': (r) => r.status === grpc.StatusOK });
  client.close();
}

4.2.5 Locust — Python 生态的分布式压测

Locust 基于 Python 编写，通过协程实现高并发，支持 Web UI 实时监控。

• 优势：
  • Python 脚本编写门槛低，易于与测试框架集成。
  • 内置分布式能力，通过 master-worker 模式可横向扩展。
  • Web UI 提供实时 QPS、响应时间、失败率等指标。
• 劣势：
  • gRPC 支持需要额外安装 grpcio 库，且性能不如原生 Go 工具。
  • 协程模型在极高并发下（>10k QPS）可能出现性能瓶颈。
  • etcd 的 Watch 流式处理在 Python 中实现复杂且易出错。

4.3 选型决策矩阵

以下矩阵帮助你根据压测目标快速选择工具：

4.4 工具选型架构图

下图展示了五款工具在 etcd 压测沙盘中的定位与数据流关系：

4.5 沙盘集成建议

在《多集群管理 etcd 压测沙盘》中，建议采用 分层工具策略：

1. 基准层： 使用 benchmark 建立集群性能基线，记录不同 key/value 大小、并发数下的 QPS 与 P99 延迟。
2. 稳定性层： 使用 etcd-tester 定期执行故障注入测试，验证集群在节点故障、网络分区下的恢复能力。
3. 业务仿真层： 使用 k6 或 ghz 模拟业务流量，验证告警分层规则在真实负载下的触发准确性。
4. 集成验证层： 使用 Locust 进行 Python 生态的端到端集成测试，确保 CI/CD 流水线中压测步骤可重复执行。