引言
已录制的流量进行回放,如果回成功率较低,比如20000个请求错误率5%,也有1000个错误, 对开发测试排查成本过高,疲惫抱怨也会增加。本文降低排查成本提升开发测试效率,侧重在智能降噪这块涉及的知识点进行整理,主要内容有:
一、常见噪点
1.时间差异
流量录制和回放时间戳不同,代码中使用该时间戳进行逻辑判断,例如:System.currentTimeMillis() native方法,如果响应的Response也有时间戳也会造成差异。
请求参数或者返回结果中使用了随机数字,这种大概率是会失败的。
无论请求还是返回,自增数据也会造成比对失败。
类似链路ID、SequenceID等标识,在系统中会透传,可能造成回放失败。
线上配置中心的数据和回放的测试环境配置数据不一致,也导致了数据回放失败。
在方法接口调用返回时无序的元素集合,也会造成结果对比误差。
二、智能降噪
通过提供全局、应用级别、接口级别对噪音字段进行配置,配置可以解决一部分问题,适合存在通用性字段且数量不多的情况。可以作为降噪的第一层配置。
是一种通过对流量diff的自动对比的降噪方式,下面以Twitter开源框架Diffy为例走查其运行原理,可供我们实践中定制二开或者自研参考 。
通过三个版本系统进行流量对比,将其噪声过滤:
工作原理:
Diffy的Github的地址:
https://github.com/twitter-archive/diffy
三、文章小结
本文罗列了流量回放中常见的噪音以及解决噪音的常见措施。需要以智能去噪为主,加以一些定制化配置字段去噪综合治理来降低测试开发的排查成本。