1.1 k6 引擎概述
k6 是一款面向云原生时代的开源负载测试工具，由 Grafana Labs 主导开发。它以 Go 语言编写核心引擎，使用 JavaScript 作为脚本语言，专为高并发、低资源消耗和 CI/CD 集成而设计。本章从发展历史、核心特性、与传统工具的对比以及云原生定位四个维度，帮助学员建立对 k6 的全面认知。
1.1.1 发展历史
| 时间 | 里程碑事件 | 关键意义 |
|---|---|---|
| 2016 | k6 项目由 Load Impact 公司内部孵化 | 基于 Go 语言开发，解决传统工具资源占用高的问题 |
| 2017 | k6 正式开源（AGPL v3） | 社区迅速增长，成为 CNCF 生态中的新兴压测工具 |
| 2020 | Grafana Labs 收购 Load Impact | k6 正式纳入 Grafana 可观测性生态，与 Prometheus、Tempo 深度集成 |
| 2021 | 发布 k6 Cloud / k6 OSS v0.33 | 支持分布式执行、浏览器测试（xk6-browser） |
| 2023-至今 | k6 v0.45+ / Grafana Cloud k6 | 原生支持 gRPC、WebSocket、HTTP/2，成为云原生压测事实标准 |
关键洞察： k6 从诞生之初就摒弃了传统工具的线程模型，采用 Go 协程（goroutine）驱动虚拟用户（VU），单机并发能力可达数万 VU，而内存消耗仅为 JMeter 的 1/10 到 1/5。
1.1.2 核心特性
- Go 引擎 + JS 脚本：核心引擎使用 Go 编写，性能极高；脚本层使用 JavaScript（ES6+），降低学习成本。
- 协程驱动 VU：每个虚拟用户（VU）对应一个 goroutine，而非操作系统线程，上下文切换开销极低。
- 原生 CI/CD 集成：提供 CLI 工具，支持
k6 run、k6 cloud，可无缝嵌入 Jenkins、GitLab CI、GitHub Actions、Argo Workflows。 - 内置指标与可观测性：自动采集请求速率、延迟（p50/p90/p95/p99）、错误率、VU 状态，支持输出到 Prometheus、InfluxDB、JSON。
- 模块化与扩展：通过 xk6 扩展机制支持浏览器测试、gRPC、Kubernetes 集群压测等。
- 无 GUI 设计：所有配置通过 CLI 参数或 JS 脚本控制，适合自动化与版本管理。
性能对比数据（单机 1000 VU，持续 5 分钟）：
k6 内存占用约 50-80 MB，CPU 占用约 1-2 核；JMeter 同等场景内存占用约 500-800 MB，CPU 占用约 4-6 核。
k6 内存占用约 50-80 MB，CPU 占用约 1-2 核；JMeter 同等场景内存占用约 500-800 MB，CPU 占用约 4-6 核。
1.1.3 与传统压测工具对比
| 维度 | k6 | JMeter | Locust |
|---|---|---|---|
| 核心语言 | Go（引擎）+ JS（脚本） | Java | Python |
| 并发模型 | goroutine（协程） | 线程池 | greenlet（协程） |
| 脚本语法 | JavaScript（ES6+） | XML / GUI 录制 | Python 代码 |
| 单机并发能力 | 3-5 万 VU | 0.5-1 万 VU（需调优） | 1-2 万 VU |
| 内存占用（1000 VU） | ~60 MB | ~600 MB | ~200 MB |
| CI/CD 集成 | 原生 CLI，零依赖 | 需插件或 CLI 包装 | 需命令行包装 |
| 分布式执行 | k6 Cloud / 手动编排 | 内置分布式模式 | 内置主从模式 |
| 可观测性输出 | Prometheus / JSON / InfluxDB | Listener 插件 | CSV / 自定义 |
| 浏览器测试 | 支持（xk6-browser） | 支持（Selenium 集成） | 支持（Playwright 集成） |
选型建议： 如果团队已有 JMeter 脚本资产且无迁移计划，可继续使用 JMeter；如果从零构建压测体系且追求云原生自动化，k6 是更优选择。Locust 适合 Python 技术栈团队，但单机并发和生态集成弱于 k6。
1.1.4 k6 在云原生时代的定位
k6 并非简单的压测工具，而是 Grafana 可观测性生态中的“流量发生器”。在云原生架构中，k6 承担以下角色：
- 容量验证：在 Kubernetes 集群中运行，模拟真实用户流量，验证 HPA（水平自动伸缩）策略是否合理。
- 混沌工程流量源：与 LitmusChaos、Chaos Mesh 配合，在故障注入期间持续发送请求，观测系统韧性。
- SLO 验证：结合 Prometheus + Grafana，在 CI/CD 流水线中自动执行压测，验证服务是否满足延迟和错误率 SLO。
- 边缘/Serverless 压测：k6 二进制体积小（~15 MB），可部署在边缘节点或 AWS Lambda 中执行轻量压测。
一句话总结： k6 是云原生时代的“压测标准件”，它让容量验证从手工操作转变为代码化、自动化、可观测的工程实践。
1.1.5 典型使用场景
- API 网关压测：模拟数千并发用户请求，验证网关限流、熔断、降级策略是否生效。
- 微服务容量规划：在预发环境逐步增加 VU，找到服务性能拐点，为 Kubernetes HPA 提供指标依据。
- 数据库连接池压测：通过 k6 发送业务请求，观测数据库连接池耗尽时的系统行为。
- 全链路压测：结合 k6 分布式执行，模拟真实用户从入口到后端的完整请求链路。
- 夜间巡检：在 Jenkins 中定时触发 k6 脚本，自动生成压测报告并发送告警。