在之前的文章分段随机实践—模拟线上流量中，分享了分段模拟的实现，在实际工作中应用这种方法可以对线上流量进行更加精细化的模拟。
今天分享一下实际工作中某个服务模块中的应用。这里选择这个模块的原因两个：大多数都是 GET 接口；参数简单，大部分都是单个参数。
梳理模型
模块模型
对于整个该服务的 PI 接口，可以对于某一段时间的日志统计分析，可以得出各个接口请求流量的比例。或者通过统计服务。也是可以得到。整个接口的流量比例模型。
这里我将流量比例存在一个 map 里面里面，数据如下：
public static final Map<String, Integer> urlsQps = new HashMap<String, Integer>() {{
put(a, 9502);
put(b, 6445);
put(c, 1228);
put(d, 973);
put(e, 827);
put(f, 546);
put(g, 132);
put(h, 113);
put(i, 47);
put(j, 1);
}};
这里做了一个简单的缩放，将所有的值除以最小值算得的比例。以后会将接口按照流量数量级分成不同的等级，对不同等级的接口分别进行模拟实现。对于日常流量偏小（暂定小于 5QPS）的接口，统一按照日常流量的 20 倍进行固定 QPS 作为基础背景流量。
接口模型
然后对接口的参数进行统计，依然可以通过日志统计（GET 接口均可），获取每个参数的比例。
依旧将数据放在一个 map 中，数据如下：
public static final String BS = "****";
public static final List<String> BS_ARGS = SourceCode.randomMem(new HashMap<String, Integer>() {{
put("aaa",3);
put("bbb",2);
put("ccc",2);
put("ddd",1);
put("eee",3);
put("fff",1);
}});
计算方式同上，这里并未对所有参数进行穷尽，主要原因两个：一个是接口参数分布比较集中，通过少量（前 10 或者前 20）即可达到目的；一个是某些接口的参数是组合式的，如果穷尽太多了，不适合现在业务框架，以后可以做成配置文件。
实践
这里先分享接口流量，再分享服务流量，因为两者有依赖关系。
接口流量
通过框架提供支持，将接口封装成一个方法，暴露相关参数，例如：
/**
* 获取信息
* @param instId
* @return
*/
JSONObject bs(String Id = random(MApi.BS_ARGS)) {
String url = MApi.BS
def params = getParams()
params.instId = instId
def response = getGetResponse(url, params)
print(response)
response
}
通过 random 方法即可将配置MApi#BS_ARGS中的参数按照value比例传到方法M#bs(java.lang.String)中，达到量化模拟线上流量的目的。
模块流量
首先根据项目框架将接口封装，然后根据配置文件MApi#urls中的内容，进行接口请求。
实现如下：
/**
* 量化模拟全量接口
*/
public void all() {
def url = random(MApi.urls)
if (url == MApi.a) {
a()
} else if (url == MApi.b) {
b()
} else if (url == MApi.c) {
c()
} else if (url == MApi.d) {
d()
} else if (url == MApi.e) {
e()
} else if (url == MApi.f) {
f()
}
}
依旧是通过random方法，一开始担心性能问题，经过实测，random 性能百万 QPS 没有问题，这里需要的是线程安全，可以多线程使用同一个MApi#urls。