wsbench 使用与技术文档
1. 安装指南
wsbench 是一款用于测试 WebSocket 服务器性能的脚本工具。在使用前,您需要安装 NodeJS。安装完成后,您可以开始使用 wsbench。请注意,该工具没有其他外部依赖。
2. 项目使用说明
wsbench 可以通过指定 WebSocket URL 来启动对服务器的基准测试。
基本用法
最简单的用法是直接调用 wsbench 并传入指向服务器的 WebSocket URL。例如,以下命令将顺序地向运行在本地主机的 8080 端口的 WebSocket 服务器打开并关闭 100 个连接。在此过程中不会发送任何消息。
wsbench ws://localhost:8080
您还可以使用 -r 选项以并行、速率驱动的方式进行测试。例如,以下命令将每秒打开并关闭 10 个连接,并且无限运行。使用 -c NNN 选项可以指定在打开 NNN 个连接后终止,其中 0 表示无限制。
wsbench -r 10 ws://localhost:8080
使用 -m NNN 选项可以指定每个连接发送的消息数。使用 -s NNN 选项可以设置每条消息的字节数。在这种模式下,WebSocket 连接将保持打开状态,直到所有消息发送完毕。
会话脚本
wsbench 工具支持使用 -S FILE 选项执行任意的 JavaScript 代码来控制打开连接的交互(例如发送和接收消息)。这允许测试丰富的、特定于应用程序的行为。以下是一个简单的示例,该文件将为前 10 个连接发送 Hello 消息,为后续每个连接发送 world! 消息,然后关闭连接。请注意,会话函数对每个打开的 WebSocket 调用一次,因此我们将计数器保持在模块作用域内。
var cnt = 0;
module.exports = function(ws) {
ws.onopen = function() {
ws.send((++cnt <= 10) ? 'Hello' : 'world!');
ws.close();
};
};
在 examples/echo/ 目录中可以找到更复杂的示例。
会话逻辑可以使用系统中安装的任何 NodeJS 模块。特别是,这提供了对内置 HTTP 堆栈的访问;构建包含 WebSocket 和 HTTP 请求的异构工作负载变得非常简单。
3. 项目API使用文档
wsbench 的完整用法如下:
wsbench [options] <url>
在给定 ws:// URL 上启动基准测试。
我们可以以两种方式执行工作负载:顺序执行,每次打开一个连接并在下一个连接开始之前关闭它;并行执行,指定一个速率并独立于其他连接的状态打开连接以满足该速率。默认为顺序执行,并行执行可以通过 -r <rate> 选项指定。并行执行受要建立的连接总数的限制,通过 -c 选项指定。
可用选项:
-c, --num-conns NUMBER:要打开的连接数(默认:100)-h, --help:显示帮助信息-m, --num-msgs NUMBER:每个连接的消息数(默认:0)-p, --protocol PROTO:设置要使用的 WebSocket 协议(默认:空)-r, --rate NUMBER:每秒连接数(默认:0)-s, --msg-size NUMBER:发送的消息大小,以字节为单位(默认:32)-S, --session FILE:用于会话逻辑的文件(默认:无)
4. 项目安装方式
请遵循以下步骤安装 wsbench:
-
确保您的系统中已安装 NodeJS。
-
使用
git克隆仓库:git clone https://github.com/pgriess/wsbench.git -
切换到仓库目录并运行
npm install:cd wsbench npm install -
运行
wsbench并按照上述使用说明进行测试。
以上是 wsbench 的安装和使用说明。希望这篇文档能帮助您更好地了解和使用该工具。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00