3. 压力测试核心指标

在 Flink 实时计算的压力测试中，仅靠“能跑起来”远远不够。我们需要一套量化的标尺来评估系统在极限负载下的表现。本章将深入剖析吞吐量、延迟、背压、资源利用率、数据准确性这五大核心指标，它们共同构成了压力测试的评估闭环。

3.1 指标全景图

这五个指标并非孤立存在，它们之间存在强关联与制约关系。例如，盲目追求吞吐量可能导致延迟飙升和背压加剧；而过度降低延迟则可能牺牲吞吐量或资源效率。理解它们之间的动态平衡是压力测试的核心。

3.2 吞吐量 (Throughput)

吞吐量衡量系统在单位时间内能处理的数据量，是压力测试最直观的指标。它直接反映了 Flink 作业的处理能力。

• 定义：通常以 records/second 或 bytes/second 为单位。
• 测试方法：在 Flink Web UI 的 Task Manager 页面查看 numRecordsInPerSecond 和 numRecordsOutPerSecond 指标。
• 关键点：吞吐量并非越高越好，需要结合延迟和背压一起看。当吞吐量达到瓶颈时，往往伴随着延迟的急剧上升。

3.3 延迟 (Latency)

延迟指数据从进入系统到被处理完成所经历的时间。在实时场景中，低延迟是核心诉求之一。

3.4 背压 (Backpressure)

背压是 Flink 运行时最重要的健康指标之一。它表示下游算子处理速度跟不上上游数据发送速度，导致数据在 TaskManager 的缓冲区中堆积。

• 表现：Flink Web UI 的算子链上出现 High 或 OK 的背压状态指示。
• 成因：资源不足（CPU/内存）、算子逻辑复杂（如大状态 KeyBy）、数据倾斜、外部依赖（如 Sink 写入慢）。
• 测试意义：背压是系统瓶颈的“探针”。压力测试中，背压的出现位置直接指明了需要优化的环节。

// 通过 REST API 获取背压指标示例
// 请求：http://<jobmanager-host>:8081/jobs/<job-id>/backpressure
// 响应片段：
{
  "status": "ok",
  "backpressure-level": "high",
  "subtasks": [
    {
      "subtask": 0,
      "backpressure-level": "high",
      "ratio": 0.95
    }
  ]
}

3.5 资源利用率

资源利用率关注 CPU、内存、网络 I/O 和磁盘 I/O 的使用情况。压力测试的目标是让资源得到充分利用，而不是过度闲置或耗尽。

3.6 数据准确性

这是压力测试中最容易被忽视，但却是最致命的指标。系统在高负载下可能发生数据丢失、重复或乱序。

• 测试方法：在压测数据源中注入带有唯一 ID 或序列号的测试数据，在 Sink 端进行校验。
• 检查项：
  1. 数据完整性：是否有数据丢失？
  2. 数据唯一性：是否有数据重复？
  3. 数据有序性：对于事件时间语义，窗口计算结果是否正确？
• Flink 特性：利用 Checkpoint 和 Exactly-Once 语义来保证准确性，但压力测试仍需验证这些机制在高负载下是否正常工作。

3.7 指标间的权衡与总结

压力测试不是追求单一指标的极致，而是寻找满足业务需求的平衡点。下表总结了各指标间的典型权衡关系：