Gatling测试监控实战指南

最后修改:2025年5月2日

by Stelios Anastasakis

1. 概述

Gatling 是一款成熟高效的性能测试工具，可用于对REST应用施加负载测试。但直接从Gatling能看到的仅限于断言是否通过、服务器在压力测试期间是否崩溃等基础结果。

我们真正需要的信息远不止这些。通过性能测试，我们需要建立JVM监控机制，确保应用以最佳状态运行和响应。

本文将介绍如何搭建一套监控工具，在Gatling模拟测试执行时监控应用性能。我们将采用容器化方案，使用Docker Compose进行本地演示。完整监控方案需要以下组件：

✅ 暴露指标的REST应用：使用Spring Boot Actuator零配置获取所需指标
✅ Prometheus：从REST应用收集指标并存储为时序数据
✅ InfluxDB：时序数据库，用于收集Gatling指标
✅ Grafana：可视化工具，集成数据源并保存仪表盘

2. 搭建监控工具

为演示完整监控方案，我们将使用容器和Docker Compose快速启动所有工具。每个工具都需要创建Dockerfile，然后通过Docker Compose统一管理，简化服务间通信。

2.1. REST API

先准备用于性能测试的REST API。我们使用简单的Spring Boot MVC应用，包含两个接口。重点在于监控性能，因此两个接口都是模拟实现：

@RestController
public class PerformanceTestsController {
    @GetMapping("/api/fast-response")
    public ResponseEntity<String> getFastResponse() {
        return ResponseEntity.ok("响应够快吗？");
    }

    @GetMapping("/api/slow-response")
    public ResponseEntity<String> getSlowResponse() throws InterruptedException {
        int min = 1000;
        int max = 2000;
        TimeUnit.MILLISECONDS.sleep(ThreadLocalRandom.current()
            .nextInt(min, max));

        return ResponseEntity.ok("这花了点时间");
    }
}

第一个接口立即返回200响应，第二个接口会随机延迟1-2秒。通过Dockerfile容器化服务：

FROM openjdk:17-jdk-slim

COPY target/gatling-java.jar app.jar
ENTRYPOINT ["java","-jar","/app.jar"]

EXPOSE 8080

选择Java 17基础镜像，复制Spring Boot JAR包，设置容器启动命令和暴露端口（8080）。

2.2. Prometheus

创建Prometheus容器只需选择基础镜像，然后配置指标抓取目标。在configuration.yml中定义目标：

global:
  scrape_interval:     15s
  evaluation_interval: 15s

scrape_configs:
  - job_name: 'prometheus'
    static_configs:
      - targets: ['localhost:9090']
  - job_name: 'grafana'
    scrape_interval: 5s
    metrics_path: /metrics
    static_configs:
      - targets: ['grafana:3000']
  - job_name: 'service_metrics'
    scrape_interval: 5s
    metrics_path: /private/metrics
    static_configs:
      - targets: ['service:8080']

⚠️ 生产环境建议使用默认30秒间隔，避免频繁抓取造成噪音。配置三个抓取任务：

  • prometheus：监控自身健康状态
  • grafana：抓取Grafana指标（路径*/metrics*）
  • service_metrics：抓取Spring Boot应用指标（路径由Actuator配置）

创建Dockerfile：

FROM prom/prometheus:v2.48.1

COPY config/prometheus-docker.yml /etc/prometheus/prometheus.yml

EXPOSE 9090:9090

选择Prometheus镜像版本，覆盖默认配置文件，暴露9090端口。

2.3. Gatling

创建Gatling模拟测试对两个接口施压。为更好演示，我们准备两个模拟测试类：

public class SlowEndpointSimulation extends Simulation {
    public SlowEndpointSimulation() {
        ChainBuilder getSlowEndpointChainBuilder 
          = SimulationUtils.simpleGetRequest("request_slow_endpoint", "/api/slow-response", 200);
        PopulationBuilder slowResponsesPopulationBuilder 
          = SimulationUtils.buildScenario("getSlowResponses", getSlowEndpointChainBuilder, 120, 30, 300);

        setUp(slowResponsesPopulationBuilder)
          .assertions(
            details("request_slow_endpoint").successfulRequests().percent().gt(95.00),
            details("request_slow_endpoint").responseTime().max().lte(10000)
          );
    }
}

SlowEndpointSimulation 对*/api/slow-response*接口施压：峰值120请求/秒，持续300秒，断言成功率>95%且响应时间<10秒。

public class FastEndpointSimulation extends Simulation {
    public FastEndpointSimulation() {
        ChainBuilder getFastEndpointChainBuilder 
          = SimulationUtils.simpleGetRequest("request_fast_endpoint", "/api/fast-response", 200);
        PopulationBuilder fastResponsesPopulationBuilder 
          = SimulationUtils.buildScenario("getFastResponses", getFastEndpointChainBuilder, 200, 30, 180);

        setUp(fastResponsesPopulationBuilder)
          .assertions(
            details("request_fast_endpoint").successfulRequests().percent().gt(95.00),
            details("request_fast_endpoint").responseTime().max().lte(10000)
          );
    }
}

FastEndpointSimulation 对*/api/fast-response*接口施压：200请求/秒，持续180秒。

为使Gatling指标可被监控，需配置Graphite输出。在gatling.conf中添加：

data {
  writers = [console, file, graphite]
  graphite {
    light = false
    host = "localhost"
    port = 2003
    protocol = "tcp"
    rootPathPrefix = "gatling"
    bufferSize = 8192
    writePeriod = 1
  }
}

配置Graphite写入器，指向InfluxDB的2003端口，指标前缀设为* Gatling*。Gatling测试将在Docker Compose启动后通过控制台执行。

2.4. InfluxDB

InfluxDB配置相对复杂，需要基础镜像、配置文件和启动脚本。在influxdb.conf中启用Graphite协议：

[[graphite]]
  enabled = true
  database = "graphite"
  retention-policy = ""
  bind-address = ":2003"
  protocol = "tcp"
  consistency-level = "one"
  batch-size = 5000
  batch-pending = 10
  batch-timeout = "1s"
  separator = "."

关键配置：

  • enabled = true：启用Graphite协议
  • *bind-address = ":2003"*：监听端口（需与Gatling配置一致）

创建entrypoint.sh初始化脚本：

#!/usr/bin/env sh

if [ ! -f "/var/lib/influxdb/.init" ]; then
    exec influxd -config /etc/influxdb/influxdb.conf $@ &

    until wget -q "http://localhost:8086/ping" 2> /dev/null; do
        sleep 1
    done

    influx -host=localhost -port=8086 -execute="CREATE USER ${INFLUX_USER} WITH PASSWORD '${INFLUX_PASSWORD}' WITH ALL PRIVILEGES"
    influx -host=localhost -port=8086 -execute="CREATE DATABASE ${INFLUX_DB}"

    touch "/var/lib/influxdb/.init"

    kill -s TERM %1
fi

exec influxd $@

脚本启动InfluxDB服务，等待服务就绪后创建用户和数据库。最后创建Dockerfile：

FROM influxdb:1.3.1-alpine

WORKDIR /app
COPY entrypoint.sh ./
RUN chmod u+x entrypoint.sh
COPY influxdb.conf /etc/influxdb/influxdb.conf

ENTRYPOINT ["/app/entrypoint.sh"]

复制配置文件和启动脚本，设置执行权限和入口点。

2.5. Grafana

启动Grafana容器较简单，但为保留配置和仪表盘，我们预置配置文件。先定义数据源datasources.yml：

datasources:
  - name: Prometheus-docker
    type: prometheus
    url: http://prometheus:9090
    access: proxy
    isDefault: false
  - name: InfluxDB
    type: influxdb
    url: http://influxdb:8086
    access: proxy
    jsonData:
      dbName: "graphite"
    isDefault: false

配置两个数据源：

  • Prometheus：URL指向prometheus:9090
  • InfluxDB：URL指向influxdb:8086，使用graphite数据库

定义仪表盘提供者dashboards.yml：

providers:
  - name: 'dashboards'
    type: file
    options:
      path: /etc/grafana/provisioning/dashboards
      foldersFromFilesStructure: true

创建Dockerfile：

FROM grafana/grafana:10.2.2

COPY provisioning/ /etc/grafana/provisioning/
COPY dashboards/ /etc/grafana/provisioning/dashboards

EXPOSE 3000:3000

复制配置文件和仪表盘JSON文件（本文省略具体仪表盘内容），暴露3000端口。

2.6. Docker Compose

整合所有服务到docker-compose.yml：

services:
  influxdb:
    build: influxDb
    ports:
      - '8086:8086'
      - '2003:2003'
    environment:
      - INFLUX_USER=admin
      - INFLUX_PASSWORD=admin
      - INFLUX_DB=influx

  prometheus:
    build: prometheus
    depends_on:
      - service
    ports:
      - "9090:9090"

  grafana:
    build: grafana
    ports:
      - "3000:3000"

  service:
    build: .
    ports:
      - "8080:8080"

启动四个服务：

  • influxdb：暴露8086和2003端口
  • prometheus：依赖service启动
  • grafana：暴露3000端口
  • service：暴露8080端口

3. 监控Gatling测试

工具搭建完成后，通过Docker Compose启动监控服务和REST API，执行Gatling性能测试，使用Grafana监控性能指标。

3.1. 执行测试

终端运行docker-compose up --build启动所有服务。服务就绪后，通过Maven执行Gatling模拟测试：

mvn gatling:test -Dgatling.simulationClass=org.baeldung.FastEndpointSimulation

测试结果示例： gatling快速接口测试结果

结果显示"模拟测试在179秒内完成"，所有断言通过。

3.2. Grafana仪表盘监控

访问Grafana（http://localhost:3000），使用admin/admin登录。预置两个仪表盘：

应用指标仪表盘： grafana应用指标仪表盘

关键指标分析：

  • 🔴 红圈：慢接口测试（300秒，120 TPS，延迟约1.5秒）
  • 🟣 紫标：快接口测试（180秒，200 TPS，延迟极低）

Gatling指标仪表盘： grafana Gatling指标仪表盘

仪表盘左右两侧分别展示快/慢接口测试的客户端视角指标，包括响应状态码、延迟分布等。

3.3. 结果分析

通过监控指标，可识别性能瓶颈并优化JVM配置：

  1. JVM线程指标：

    • 观察各接口的线程使用量
    • 若某接口线程数异常偏高，可能存在线程滥用问题

  2. 垃圾回收(GC)指标：

    • ⚠️ 必须监控GC频率和持续时间
    • 对比不同GC策略（如G1 vs ZGC）的性能表现
    • 通过重测寻找最优JVM配置

4. 总结

本文介绍了Gatling性能测试的完整监控方案：

  • 搭建Prometheus+InfluxDB+Grafana监控栈
  • 容器化部署Spring Boot应用和监控工具
  • 通过Grafana仪表盘分析应用和测试指标
  • 重点监控JVM线程和GC指标优化性能

这套方案能帮助开发者深入理解系统性能表现，避免"只测不监"的盲区。建议在实际项目中根据业务需求定制监控指标和告警规则。

原始标题:Gatling Tests Monitoring | Baeldung

« 上一篇： Java API 完全指南：原理与实践
» 下一篇： 在JSTL的forEach循环中获取索引值