4. 压测场景库设计：压测场景的分类、元数据模型与场景编排
压测场景库是Saga链路追踪故障定位的“弹药库”。一个设计良好的场景库，能够覆盖生产环境的真实负载特征，并在故障发生时提供可复现、可对比的基线数据。本节从场景分类、元数据模型、场景编排与参数化三个维度展开。
4.1 压测场景的分类
根据测试目标与负载特征，压测场景分为三大类：容量场景、稳定性场景、异常场景。每类场景在Saga链路追踪中的关注点不同。
| 场景类别 | 核心目标 | Saga链路关注点 | 典型压测指标 |
|---|---|---|---|
| 容量场景 | 确定系统最大吞吐与资源拐点 | 各Saga步骤的耗时分布、队列积压深度 | TPS、P99延迟、CPU/内存利用率 |
| 稳定性场景 | 验证长时间运行下的资源与数据一致性 | 补偿事务触发率、悬挂事务数、链路超时比例 | 长时间TPS波动、GC频率、DB连接池水位 |
| 异常场景 | 模拟故障注入，验证容错与恢复能力 | 补偿链路完整性、幂等重试次数、状态机卡住节点 | 故障恢复时间、数据不一致率、告警延迟 |
实践建议：在Saga压测中，容量场景优先关注“正向链路”的吞吐上限；稳定性场景需额外监控“补偿事务”的累积量；异常场景则必须验证“部分成功+部分回滚”时链路追踪是否能完整记录所有分支状态。
4.2 场景库的元数据模型
为了让压测场景可检索、可复现、可对比，需要定义统一的元数据模型。以下为核心字段设计：
// 压测场景元数据模型（JSON Schema 示例）
{
"sceneId": "string", // 场景唯一ID
"sceneName": "string", // 场景名称
"category": "capacity|stability|fault", // 场景分类
"sagaFlowId": "string", // 关联的Saga流程定义ID
"loadProfile": { // 负载配置
"type": "fixed|ramp|step|spike",
"concurrency": 100,
"durationSec": 600,
"rampUpSec": 60
},
"faultInjections": [ // 异常场景专用
{ "targetStep": "payment", "faultType": "timeout", "delayMs": 5000 }
],
"dataSeed": { // 数据参数化
"userIdRange": [10001, 20000],
"orderAmountDistribution": "normal",
"skuCount": 500
},
"expectedSla": { // 预期SLA
"p99Ms": 2000,
"maxCompensationRate": 0.05
},
"tags": ["v2.3", "redis-cluster", "payment-saga"],
"createTime": "2025-03-01T10:00:00Z"
}
关键设计原则：
- 场景与Saga流程解耦：元数据中只引用 sagaFlowId，不内嵌流程定义，便于复用。
- 负载配置可参数化：支持固定并发、阶梯递增、突发峰值三种模式，覆盖容量与稳定性需求。
- 故障注入显式声明：异常场景必须明确标注目标步骤与故障类型，便于链路追踪自动标记异常区间。
4.3 场景编排与参数化
场景编排解决“如何按顺序执行多个压测子场景”的问题；参数化解决“如何生成差异化请求数据”的问题。两者结合，才能模拟真实业务流。
4.3.1 场景编排模式
- 串行编排：场景A执行完毕后执行场景B。适用于“先容量摸底，再稳定性验证”的流程。
- 并行编排：多个场景同时执行，共享同一份Saga流程定义。适用于模拟多用户并发操作不同Saga分支。
- 条件编排：根据前序场景的SLA达标情况，决定是否执行后续场景。例如：容量场景P99超过阈值时，自动跳过稳定性场景并触发告警。
- 循环编排：对同一场景反复执行，每次使用不同的参数化数据集。适用于“数据驱动”的回归压测。
注意：在Saga链路追踪场景中，编排时必须保证每个子场景的 sagaFlowId 一致，否则链路追踪无法跨场景关联同一笔分布式事务的完整状态。
4.3.2 参数化策略
参数化数据直接影响Saga链路的覆盖度。推荐以下策略：
| 参数化维度 | 策略说明 | Saga链路覆盖目标 |
|---|---|---|
| 用户ID | 从预置用户池中随机选取，支持热点用户模拟 | 验证用户维度的幂等性与补偿隔离性 |
| 订单金额 | 正态分布 + 边界值（0元、超大额） | 触发不同金额下的Saga分支（如风控审核） |
| 库存SKU | 部分SKU设置为低库存，部分为充足 | 验证库存扣减失败时的补偿事务完整性 |
| 支付渠道 | 轮询余额支付、信用卡、第三方支付 | 覆盖不同支付渠道的超时与重试逻辑 |
| 时间戳偏移 | 模拟跨天、跨月、跨年的订单时间 | 验证Saga状态机中的时间窗口判断 |
4.4 场景库与Saga链路追踪的集成
场景库设计完成后，需要与Saga链路追踪系统打通，实现“场景-链路-故障”的闭环：
- 场景标签注入：每个压测请求的Trace中携带 sceneId 与 category 标签，便于在链路追踪中按场景维度聚合分析。
- 基线自动建立：容量场景执行完毕后，自动将P50/P90/P99延迟写入场景元数据的 expectedSla 字段，作为后续异常检测的基线。
- 故障场景回放：当生产环境出现Saga补偿事务异常时，直接从场景库中检索相同 sagaFlowId 的异常场景进行回放，验证修复效果。
落地检查清单：
- 场景库是否覆盖了所有Saga流程的“正向+补偿”路径？
- 元数据中的 loadProfile 是否支持阶梯递增与突发峰值两种模式？
- 参数化数据是否包含边界值与异常值（如金额为0、库存为负）？
- 编排引擎是否能在场景执行前自动校验 sagaFlowId 的一致性？