Artillery 中使用自定义处理器为 WebSocket 用户生成 JWT 令牌
2025-05-27 19:13:36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
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
567
3.83 K
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++
892
667
Ascend Extension for PyTorch
Python
376
445
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
349
200
昇腾LLM分布式训练框架
Python
116
145
🎉 (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
1.37 K
777
暂无简介
Dart
797
197
React Native鸿蒙化仓库
JavaScript
308
359
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
1.13 K
271