閱讀本文前建議先閱讀云梯跨機房方案介紹，了解云梯跨機房項目背景,難點以及解決方案。本文重點介紹下跨機房
測試的整體解決方案
測試用例管理:http://kelude.taobao.net/testsuites?project_id=12202
數(shù)據(jù)安全性測試
數(shù)據(jù)安全簡單的說就是不能丟數(shù)據(jù)，跨機房后集群規(guī)模到達近萬臺，數(shù)據(jù)存儲到達數(shù)百PB，如何確保數(shù)據(jù)安全是一個很大的挑戰(zhàn)
在跨機房的情況下，我們通過（Sange、Slive、DFSIO）模擬線上比例的各種混合性操作，通過NN的FSCK, CN的 CrossCheck工具定位異常數(shù)據(jù)如CORRUPT，一直處于BEING WRITTEN無法關閉的文件，跨機房失敗的文件
數(shù)據(jù)安全性測試里需要考慮的一種重要場景是NN和DN重啟，在實際的升級過程中，在集群重啟前各業(yè)務線并沒有停止讀寫數(shù)據(jù)，重啟后數(shù)據(jù)的一致性和可恢復性非常重要；在實際的跨機房測試中我們曾發(fā)現(xiàn)一個因為重啟后狀態(tài)不一致導致無法加載EDITLOG從而使NN無法啟動的BUG，如果這種問題發(fā)生到線上，后果不堪設想
性能測試的關鍵點是如何建立性能基準，對線上性能進行準確評估，跨機房測試性能基準工具主要包括：
DFSIO: HDFS I/O（讀寫） 性能基準
Slive: 主要模擬線上各種RPC,在每個TASK發(fā)起混合型RPC操作，并可以指定文件和block大小，該工具可以同時測試NN和DN的性能；
Sange: 主要模擬線上各種RPC操作壓力，在每個TASK啟動大量Thread進行混合性RPC操作 ,對NN產(chǎn)生壓力,進而評估NN RPC 處理能力；SANGE工具不能指定文件和Block大小，會產(chǎn)生大量小文件，比SLIVE對NN可以產(chǎn)生更大的RPC壓力
Terasort：MapReduce 數(shù)據(jù)排序能力基準
Gridmix ：Gridmix和Rumen結合可以模擬和生產(chǎn)作業(yè)相應的負載，更真實的模擬生產(chǎn)環(huán)境
SmallJobBench:通過創(chuàng)建大量sleep job到不同group來測試jobtracker性能
SubmitJobBench：通過每個map啟動（-nThreads）個線程，每個線程順序提交（-nTasks）個作業(yè), 每個線程有自己的獨立賬號,來模擬線上多賬號并行度2K情況下JTProxy性能
跨機房性能主要對比場景：
主要針對上述場景進行性能對比和評估包括NN帶寬，內(nèi)存，CPU load, NN RPC 指標, NN 各個operation的吞吐量(opsper second)和平均執(zhí)行時間， NN同步editlog性能指標，跨機房帶寬流量，跨機房復制速率，跨機房副本刪除速率，CROSSFSCK時間
跨機房測試還有很重要的一點是要保證計算一定優(yōu)先從本機房讀數(shù)據(jù)，除非本機房沒有數(shù)據(jù)才會跨機房讀；實際測試中TERASORT跨機房讀對比本機房讀性能會有32%左右的下降,而且對帶寬也是很大的浪費。
重要性能指標參考：
1. cpu_user 2. cpu_wio 3. mem_free 4. bytes_in 5. bytes_out 6. load_five 7. total-iops 8. total-ReadBytes 9. total-WriteBytes 10. dfs.namenode.Syncs_avg_time 11. dfs.namenode.Syncs_num_ops 12. dfs.namenode.Transactions_num_ops 13. rpc.metrics.RpcProcessingTime_avg_time 14. rpc.metrics.RpcQueueTime_avg_time 15. rpc.metrics.RpcProcessingTime_num_ops 16. rpc.metrics.delayedCallsQueueLen 17. rpc.metrics.RpcQueueTime_num_ops 18. rpc.metrics.addBlock_num_ops 19. rpc.metrics.append_num_ops 20. rpc.metrics.create_num_ops 21. rpc.metrics.delete_num_ops 22. rpc.metrics.getFileInfo_num_ops 23. rpc.metrics.getListing_num_ops 24. rpc.metrics.listCorruptFileBlocks_num_ops 25. rpc.metrics.mkdirs_num_ops 26. rpc.metrics.rename_num_ops 27. rpc.metrics.RpcProcessingTime_num_ops 28. rpc.metrics.RpcQueueTime_num_ops 29. rpc.metrics.blockReport_num_ops 30. rpc.metrics.blockReceivedAndDeleted_num_ops 31. rpc.metrics.sendHeartbeat_num_ops 32. rpc.metrics.rollEditLog_num_ops 33. rpc.metrics.getBlockLocationsHA_num_ops 34. rpc.metrics.getBlockLocations_num_ops |
壓力測試
壓力測試和性能測試關系緊密，壓力測試更側(cè)重于在線上最大壓力的情況下系統(tǒng)是否可以正常工作，性能測試則側(cè)重于新上線的版本是否有性能下降問題，主要是基于基準進行性能對比
壓力測試比較難的一點是如何在小規(guī)模的測試集群模擬線上真實的壓力，基本思路是 啟動MR程序, 每個Task啟動多個Thread,在每個thread進行大量模擬操作，NN和DN壓力測試我們可以用到SANGE和Slive，JTPROXY壓力測試可以用到SubmitJobBench，JT壓力測試可以用到SmallJobBench和GurgleClient（TaskTracker模擬器）
跨機房壓力測試主要是評估crossnode的自身壓力和crossnode對namenode、datanode的壓力影響；crossnode對namenode壓力主要體現(xiàn)在RPC的請求，對datanode的壓力目前主要體現(xiàn)在帶寬和磁盤上
數(shù)據(jù)準備：利用SLIVE工具產(chǎn)生跟線上一樣數(shù)量的Block和文件數(shù)
跨機房壓力主要場景：
穩(wěn)定性測試
構建BI仿真實驗室，模擬整個云梯跨機房項目變更流程，運行BI線一日的作業(yè)，查看作業(yè)運行情況和做數(shù)據(jù)產(chǎn)出對比，驗證跨機房后數(shù)據(jù)的正確性和業(yè)務線運行時間是否受影響
總結
整個項目過程中，測試人員共發(fā)現(xiàn)有效bug 100多個，其中5個bug嚴重影響性能，10個bug可能導致丟數(shù)據(jù)，4個bug會導致服務不可用
本文主要是跨機房的測試整體介紹，整個跨機房測試是一個非常復雜的過程，可能大家覺得不是很過癮，后續(xù)會進行跨機房測試經(jīng)典BUG和工具分享，敬請期待