3. 压力测试数据模型设计：定义压测事件流的数据结构

在实时压力测试特征计算中，数据模型是连接压测工具与 Flink 计算引擎的桥梁。一个设计良好的数据模型，需要同时满足高吞吐写入、低延迟解析和Schema 演化三大要求。本章将定义压测事件流的核心数据结构，并对比 POJO 与 Avro 两种实现方式的适用场景。

3.1 压测事件流核心指标

一次完整的压力测试事件，通常包含以下四个核心维度：

3.2 数据结构设计方案对比

Flink 支持多种数据序列化方式，在压测场景中，POJO 和 Avro 是最主流的两种选择。下表从开发效率、性能、Schema 演化三个维度进行对比：

3.3 POJO 方式实现

POJO 方式适合快速开发和调试。Flink 要求 POJO 类必须满足：公有无参构造器、所有字段为 public 或提供 getter/setter、字段类型可被 Flink 序列化器识别。

import java.io.Serializable;

/**
 * 压测事件 POJO 数据模型
 * 包含时间戳、场景标识和四个核心指标
 */
public class StressTestEvent implements Serializable {

    // 事件发生时间戳（毫秒）
    public long timestamp;

    // 压测场景 ID，用于区分不同压测任务
    public String scenarioId;

    // 请求量：当前窗口内的请求总数
    public long requestCount;

    // 响应时间：单次请求的耗时（毫秒）
    public double responseTime;

    // 错误率：失败请求占比（0.0 ~ 1.0）
    public double errorRate;

    // 吞吐量：每秒成功请求数
    public double throughput;

    // 无参构造器（Flink 要求）
    public StressTestEvent() {}

    // 全参构造器（方便快速构造测试数据）
    public StressTestEvent(long timestamp, String scenarioId,
                           long requestCount, double responseTime,
                           double errorRate, double throughput) {
        this.timestamp = timestamp;
        this.scenarioId = scenarioId;
        this.requestCount = requestCount;
        this.responseTime = responseTime;
        this.errorRate = errorRate;
        this.throughput = throughput;
    }

    @Override
    public String toString() {
        return "StressTestEvent{" +
                "timestamp=" + timestamp +
                ", scenarioId='" + scenarioId + '\'' +
                ", requestCount=" + requestCount +
                ", responseTime=" + responseTime +
                ", errorRate=" + errorRate +
                ", throughput=" + throughput +
                '}';
    }
}

3.4 Avro 方式实现

Avro 方式适合生产环境，特别是当压测指标字段需要频繁调整时。首先定义 .avsc Schema 文件：

{
  "namespace": "com.stresstest.avro",
  "type": "record",
  "name": "StressTestEventAvro",
  "doc": "压力测试事件 Avro 数据模型",
  "fields": [
    {"name": "timestamp",     "type": "long",   "doc": "事件时间戳（毫秒）"},
    {"name": "scenarioId",    "type": "string", "doc": "压测场景 ID"},
    {"name": "requestCount",  "type": "long",   "doc": "请求量"},
    {"name": "responseTime",  "type": "double", "doc": "响应时间（毫秒）"},
    {"name": "errorRate",     "type": "double", "doc": "错误率（0.0 ~ 1.0）"},
    {"name": "throughput",    "type": "double", "doc": "吞吐量（req/s）"}
  ]
}

在 Flink 作业中，通过 AvroDeserializationSchema 读取 Kafka 中的 Avro 数据：

import org.apache.flink.formats.avro.AvroDeserializationSchema;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer;

// 创建 Avro 反序列化 Schema
AvroDeserializationSchema<StressTestEventAvro> avroSchema =
        AvroDeserializationSchema.forSpecific(StressTestEventAvro.class);

// 配置 Kafka Consumer
FlinkKafkaConsumer<StressTestEventAvro> kafkaSource =
        new FlinkKafkaConsumer<>("stress-test-topic", avroSchema, kafkaProps);

// 接入 Flink 流
DataStream<StressTestEventAvro> eventStream =
        env.addSource(kafkaSource);

3.5 数据模型架构总览

下图展示了压测事件流从数据源到 Flink 计算引擎的完整数据流转路径，以及 POJO / Avro 两种模型在架构中的位置：

3.6 字段演化策略

压测指标随着业务需求变化，可能新增或调整字段。以下是两种模型的演化策略对比：