Artillery 中使用自定义处理器为 WebSocket 用户生成 JWT 令牌
2025-05-27 11:36:13作者:庞队千Virginia
在 Artillery 负载测试工具中,当我们需要为每个虚拟用户(VU)生成不同的 JWT 令牌来测试 WebSocket 服务时,正确的配置方式至关重要。本文将详细介绍如何实现这一需求。
问题背景
在测试需要认证的 WebSocket 服务时,通常需要在连接时传递 JWT 令牌。每个测试用户应该使用不同的令牌,以模拟真实场景。常见的错误做法是直接在配置层面调用自定义函数,这会导致令牌无法正确生成和传递。
正确实现方式
1. 创建处理器文件
首先创建一个 processor.js 文件,其中包含生成随机令牌的逻辑:
// 预定义的令牌数组
let tokens = [
"eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9...",
"eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9...",
"eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9..."
];
// 生成随机令牌的函数
function generateRandomToken(userContext, events, done) {
// 从数组中随机选择一个令牌
userContext.vars.token = tokens[Math.floor(Math.random() * tokens.length)];
return done();
}
module.exports = {
generateRandomToken
};
2. 编写测试脚本
在测试脚本中,关键点是将函数调用放在场景流程中,而不是配置层面:
config:
target: "ws://localhost:8080/userMessages"
phases:
- duration: 60 # 测试持续时间(秒)
arrivalRate: 10 # 每秒创建的用户数
processor: "./processor.js" # 指定处理器文件路径
ws:
headers:
x-jwt-token: "{{ token }}" # 使用模板变量引用令牌
scenarios:
- name: "WebSocket 认证测试"
engine: "ws"
flow:
- function: "generateRandomToken" # 在流程中调用函数
- send: "Test message" # 发送测试消息
- think: 5 # 思考时间(秒)
技术要点解析
-
处理器函数调用位置:必须在场景流程中调用,确保每个虚拟用户都能获得独立的令牌值。
-
变量作用域:
userContext.vars中设置的变量只在当前虚拟用户会话中有效。 -
令牌生成策略:示例中使用预定义数组随机选择,实际应用中可根据需要:
- 动态生成有效JWT
- 从外部文件读取
- 调用认证接口获取
-
WebSocket 头设置:通过
ws.headers配置认证头,使用模板语法{{ token }}引用变量。
进阶用法
- 动态令牌生成:可以修改处理器函数,使用库如
jsonwebtoken动态生成有效JWT:
const jwt = require('jsonwebtoken');
function generateDynamicToken(userContext, events, done) {
const payload = { userId: userContext.vars.$uuid };
const token = jwt.sign(payload, 'your-secret-key', { expiresIn: '1h' });
userContext.vars.token = token;
return done();
}
-
令牌生命周期管理:对于长时间运行的测试,可以在处理器中添加令牌刷新逻辑。
-
性能考虑:对于大规模测试,预生成令牌比动态生成更高效。
常见问题解决
-
令牌未定义错误:确保函数在发送请求前被调用,且变量名拼写一致。
-
令牌过期问题:适当设置JWT有效期,或实现刷新机制。
-
性能瓶颈:避免在处理器中进行复杂计算,必要时预生成测试数据。
通过以上方法,可以有效地为 Artillery 负载测试中的每个 WebSocket 连接生成和使用独立的 JWT 令牌,从而更真实地模拟生产环境中的用户行为。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
186
201
暂无简介
Dart
627
141
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
242
314
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
382
3.52 K
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
480
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
648
265
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.11 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
127
857