4. 压测目标定义：压测核心指标与 SLO/SLA 设定方法
在 etcd 多集群压测中，明确的目标是衡量系统是否满足业务承诺的基石。本章将定义压测必须追踪的四大核心指标，并阐述如何基于这些指标设定可量化的 SLO（服务等级目标）与 SLA（服务等级协议）。
4.1 压测核心指标（QPS、延迟、成功率、资源消耗）
压测过程中，我们聚焦于以下四个维度的指标，它们共同构成了 etcd 集群性能的全景图：
| 指标类别 | 核心度量 | 说明与典型阈值参考 |
|---|---|---|
| QPS | 每秒请求数（吞吐量） | 区分读写：写 QPS（Put/Txn）通常低于读 QPS（Range）。单集群常规硬件下，写 QPS 约 5k-15k，读 QPS 约 20k-50k。 |
| 延迟 | P99 / P999 延迟 | P99 写延迟通常应 < 10ms，P999 写延迟 < 50ms。读延迟更低，P99 < 5ms。关注 tail latency 而非平均值。 |
| 成功率 | 请求成功百分比 | 压测期间，排除限流后的有效请求成功率应 ≥ 99.9%。错误类型包括：超时、Leader 变更、资源不足、Raft 提案失败。 |
| 资源消耗 | CPU / 内存 / 磁盘 IO / 网络 | CPU 使用率 < 80%，内存使用率 < 80%，磁盘 IO 延迟 < 10ms，网络带宽 < 60%。关注 WAL 写入速率和 DB 大小。 |
压测指标关联性： 四个指标并非孤立。当 QPS 接近上限时，延迟会急剧上升（拐点），成功率可能因超时而下降，资源消耗也会同步飙升。压测的核心就是找到这个“拐点”。
4.2 SLO / SLA 设定方法
SLO 是内部目标，SLA 是对外的承诺。在压测场景中，我们通过压测数据来验证和校准 SLO。
4.2.1 SLO 设定步骤
- 定义指标窗口： 例如“过去 1 小时内，P99 写延迟 ≤ 10ms”。
- 设定目标值： 基于业务容忍度。例如，业务要求 99% 的写操作在 20ms 内完成，则 SLO 可设为 P99 ≤ 15ms（留有余量）。
- 确定测量周期： 通常为 5 分钟、1 小时或 1 天。压测时使用 1 分钟窗口。
- 定义错误预算： 例如，每月允许 SLO 不达标的时间为 0.1%（约 43 分钟）。
4.2.2 SLA 与 SLO 的映射关系
| 层级 | 定义 | 压测验证点 |
|---|---|---|
| SLO（内部） | P99 写延迟 ≤ 8ms，成功率 ≥ 99.95% | 压测目标：在 10k QPS 下，P99 写延迟 ≤ 8ms，无错误。 |
| SLA（对外） | P99 写延迟 ≤ 20ms，成功率 ≥ 99.9% | 压测目标：在 15k QPS 下，P99 写延迟 ≤ 20ms，成功率 ≥ 99.9%。 |
| 错误预算 | 每月 SLA 不达标时间 ≤ 0.1% | 压测需模拟持续高负载，确保不触发 SLA 违约。 |
常见陷阱： 不要将平均值作为 SLO。平均值会掩盖尾延迟问题。始终使用 P99 或 P999。同时，SLO 应包含“排除条件”，例如“排除因客户端侧网络故障导致的延迟”。
4.3 压测目标与 SLO 的关联流程
下图展示了从业务需求到压测目标，再到 SLO 验证的完整链路：
4.4 压测目标定义清单
在实际压测开始前，团队应输出一份明确的压测目标清单，作为后续所有工作的基准：
- 基准负载： 定义“正常”与“峰值”负载。例如：正常 5k QPS，峰值 15k QPS。
- 延迟 SLO： 在基准负载下，P99 写延迟 ≤ 10ms；在峰值负载下，P99 写延迟 ≤ 25ms。
- 成功率 SLO： 所有负载下，请求成功率 ≥ 99.95%（排除客户端重试导致的重复请求）。
- 资源消耗上限： 峰值负载下，单节点 CPU ≤ 75%，内存 ≤ 80%，磁盘 IO 延迟 ≤ 15ms。
- 稳定性窗口： 在峰值负载下持续运行 30 分钟，无性能退化或错误率上升趋势。
实战建议： 将压测目标写入压测脚本的配置文件中，并在压测报告中自动比对。例如，使用 Prometheus + Grafana 实时监控，当 P99 延迟超过 SLO 时，自动标记该轮压测为“失败”。