Настройка нагрузочного тестирования инфраструктуры через Locust

version: "3.8"
services:
  master:
    image: locustio/locust:2.24.0
    ports:
      - "8089:8089"
    volumes:
      - ./:/mnt/locust
    command: -f /mnt/locust/locustfile.py --master
  worker:
    image: locustio/locust:2.24.0
    volumes:
      - ./:/mnt/locust
    command: -f /mnt/locust/locustfile.py --worker --master-host master
    deploy:
      replicas: 4
    depends_on:
      - master

deploy.replicas: 4 — четыре воркера, каждый на отдельном CPU-ядре. Количество воркеров можно увеличить до 50 и более.

Как интегрировать Locust в CI и анализировать метрики?

Headless-режим с assertions через --exit-code-on-error и парсинг CSV:

---
- name: Run Locust
  run: |
    locust -f locfile.py --headless \
      -u 500 -r 50 --run-time 5m \
      --csv=results --html=report.html \
      --exit-code-on-error 1
- name: Check p95 latency
  run: |
    p95=$(awk -F',' 'NR>1 && $1=="Aggregated" {print $14}' results_stats.csv)
    if (( $(echo "$p95 > 500" | bc -l) )); then
      echo "p95 latency ${p95}ms exceeds 500ms threshold"
      exit 1
    fi

Locust экспортирует results_stats.csv с полями: request_count, failure_count, median_response_time, average_response_time, p50, p95, p99 и другими персентилями. Среднее время ответа 250ms при 2000 запросов в секунду — типичный результат для хорошо настроенного API.

Типичные проблемы при настройке

• GIL и CPU-ограничения. Locust использует gevent для корутин — это обходит GIL для I/O, но CPU-bound операции (тяжёлая обработка ответов) блокируют. Если в тесте много json.loads() на больших payload'ах (например, 500КБ), это съедает capacity. Решение: выносить обработку в отдельные потоки или профилировать.
• Реалистичное время ожидания. between(0, 0.1) — не реалистично, это DDoS. between(1, 5) с wait_time — ближе к реальному пользователю.
• Управление данными. Для уникальных пользователей используйте LoadTestShape или CSV-фидер через itertools.cycle. Повторный логин под одним аккаунтом с тысячи воркеров ломает сессии и даёт ложные результаты.

Что входит в настройку нагрузочного тестирования под ключ

• Анализ тестируемых сценариев и инфраструктуры
• Написание Python-сценариев с учётом бизнес-логики
• Настройка распределённого запуска (Docker Compose, Kubernetes)
• Интеграция с CI/CD (GitHub Actions, GitLab CI)
• Сбор и визуализация метрик (Grafana + InfluxDB по желанию)
• Документация по воспроизведению тестов и разбору результатов
• Обучение команды работе с Locust

Наши компетенции в нагрузочном тестировании

Мы занимаемся нагрузочным тестированием более 5 лет, реализовали 30+ проектов для e-commerce, fintech и SaaS. Наши инженеры сертифицированы по AWS и Kubernetes, что гарантирует корректную работу инфраструктуры даже под высокой нагрузкой. Экономия времени на отладку сценариев — до 50% по сравнению с самостоятельной настройкой. Клиенты отмечают снижение стоимости тестовой инфраструктуры на 30% после внедрения распределённого Locust.

Получите консультацию по настройке Locust под ваш проект — оценим инфраструктуру и предложим оптимальное решение. Закажите аудит текущих сценариев нагрузочного тестирования, чтобы убедиться, что ваши тесты дают релевантные результаты.