企业官网建设流程全解析

所有的架构设计和代码优化，最终都要在压力测试的烈火中接受检验。对于DeepSeek推理服务，我们不能简单地用ab或wrk这种针对静态网页的工具来测，因为大模型的请求是长连接，且计算负载与Prompt长度高度相关。

Locust是一个基于Python的开源压测工具，它允许我们编写Python代码来模拟真实用户的行为，非常适合测试复杂的AI接口。本文将介绍如何使用Locust对DeepSeek服务进行全方位的性能与稳定性验证。

1. 为什么不能用ab/wrk？

ab(Apache Bench) 和wrk是Web服务器压测的神器，但在LLM场景下，它们有几个致命缺陷：

1. 无法模拟流式响应：它们只关注HTTP状态码和整体耗时，无法解析SSE流，无法统计TTFT (Time To First Token)这一关键指标。
2. 请求内容静态：大模型对输入长度极其敏感。处理10个Token和1000个Token的负载天差地别。ab只能发送固定的Payload，无法模拟真实世界中长短不一的对话分布。
3. 缺乏思考时间：真实用户在发完一句话后，会阅读、思考、再发下一句。wrk是无脑轰炸，这会导致并发压力虚高，无法反映真实的系统承载能力（Capacity）。

2. 模拟真实负载：Locustfile编写指南

我们需要模拟真实的业务流量分布。根据OpenAI的公开数据，典型的对话长度分布服从泊松分布。

• 10%的用户只发短问题（<50 Token）。
• 80%的用户进行中等长度对话（500 Token）。
• 10%的用户上传长文档（>5k Token）。

创建一个locustfile.py：

fromlocustimportHttpUser,task,between,eventsimportjsonimporttimeimportrandomclassDeepSeekUser(HttpUser):# 模拟用户思考时间：1到5秒之间wait_time=between(1,5)@task(10)# 权重10，短对话defchat_short(self):self.send_request(prompt_len=50,output_len=100)@task(1)# 权重1，长文档defchat_long(self):self.send_request(prompt_len=5000,output_len=500)defsend_request(self,prompt_len,output_len):# 构造伪数据，实际测试中可以使用真实语料库prompt="test "*prompt_len payload={"prompt":prompt,"max_new_tokens":output_len,"temperature":0.7,"stream":True# 开启流式}start_time=time.time()first_token_time=Nonetoken_count=0# 使用catch_response手动处理结果withself.client.post("/generate",json=payload,stream=True,catch_response=True)asresponse:ifresponse.status_code!=200:response.failure(f"Status code:{response.status_code}")return# 模拟接收流式响应try:forlineinresponse.iter_lines():ifnotline:continue# 记录首字时间ifnotfirst_token_time:first_token_time=time.time()ttft=(first_token_time-start_time)*1000# 自定义上报TTFT指标events.request.fire(request_type="grpc",name="TTFT",response_time=ttft,response_length=0)token_count+=1total_time=time.time()-start_time# 计算生成速度tps=token_count/(total_time-(first_token_time-start_time))exceptExceptionase:response.failure(f"Stream error:{e}")

3. 核心指标解读与分析

运行压测命令：locust -f locustfile.py --host http://localhost:8000 --headless -u 50 -r 1

在控制台或Web UI中，我们需要重点关注以下指标，并学会透过数据看本质：

3.1 RPS vs TPS

• RPS (Requests Per Second)：对于长任务，RPS可能很低（比如0.5）。这不代表性能差，因为一个Request可能持续20秒。
• TPS (Tokens Per Second)：这是衡量LLM服务吞吐量的黄金指标。需要在服务端统计，或者像上面代码那样在Locust端估算。
  • 正常曲线：随着并发用户数增加，TPS应该线性增长，直到达到显存带宽瓶颈，然后趋于平稳。
  • 异常曲线：如果并发增加，TPS反而下降，说明发生了严重的资源争抢（如Python GIL锁竞争、Cache Thrashing）。

3.2 Latency: P99 vs Average

• 平均延迟：毫无意义，千万别看。因为长短任务混杂，平均值会被长任务拉高，掩盖了短任务的性能问题。
• P99 Latency：尾部延迟。如果P99飙升，说明系统内部出现了排队（Queuing）。
  • 排队原因：Dynamic Batching的等待队列满了，或者是KV Cache显存不足导致Swap。

3.3 Failure Rate

• Timeout：Nginx或客户端设置的超时时间太短。
• Connection Reset：服务端进程崩溃（OOM）。
• 503 Service Unavailable：负载均衡器主动拒绝了请求（熔断）。

4. 稳定性测试（Soak Testing）

除了测极限性能（Stress Test），还需要测长期稳定性。让Locust以中等负载（比如60%峰值）连续运行24小时。

重点观察对象

1. 显存泄漏（Memory Leak）
   • 使用npu-smi info监控。显存占用应该在一定范围内波动。如果发现显存占用随时间呈现锯齿状上升，且低谷越来越高，说明有Tensor未释放。
2. 僵尸进程
   • 检查ps -ef | grep python。是否有处理完请求但未退出的孤儿进程。
3. 温度墙（Thermal Throttling）
   • 长时间满载可能导致NPU温度过高（>80度），触发硬件降频。这会导致推理速度突然变慢。

5. 混沌测试（Chaos Testing）

进阶玩家还可以尝试“搞破坏”，验证系统的高可用性（HA）。

• 断网演练：在压测过程中，模拟网络丢包（iptables -I INPUT -m statistic --mode random --probability 0.1 -j DROP），看客户端SDK是否能自动重连。
• 杀节点：随机Kill掉一个推理Pod，看负载均衡器能否快速（<3秒）剔除故障节点，并将流量转移到健康节点。
• 显存碎片化模拟：发送大量长度极其怪异的请求（如[1, 8192, 3, 4000]），通过极端分布测试PagedAttention的内存碎片整理能力。

6. 总结

压测不是为了生成一份漂亮的报告，而是为了发现系统的崩溃点（Breaking Point）。

• 如果不测TTFT，你就不知道用户等待首字的焦虑。
• 如果不测长文档并发，你就不知道显存什么时候会OOM。
• 如果不做24小时稳定性测试，你就不知道内存泄漏会在深夜搞垮服务。

通过基于Locust的全方位实战验证，我们不仅能摸清DeepSeek服务的性能边界（Capacity Planning），还能提前暴露那些只在极端并发下才会出现的Race Condition和资源竞争Bug，确保上线即稳如磐石。