Couple Up ! Love Show Story

Défi

Native Games Studio a fait appel à QAwerk pour relever les défis liés à une base d’utilisateurs croissante. Ils souhaitaient s’assurer que le jeu Couple Up ! ne serait ni lent ni instable face à un afflux nettement accru de joueurs.

Voici ce que nous devions livrer :

• Tests de charge. Nous devions tester plusieurs points de terminaison API, en augmentant progressivement les requêtes serveur et en suivant le temps de réponse. Les tests de charge permettent d’identifier la capacité de charge maximale de l’application et son point de rupture, puis d’effectuer les ajustements nécessaires avant que les utilisateurs ne rencontrent des problèmes.
• Audit de configuration serveur. Notre mission consistait à analyser minutieusement les configurations de leur serveur Hetzner, notamment en vérifiant les goulots d’étranglement réseau, la configuration nginx, en auditant les conteneurs Docker, ainsi que les paramètres du noyau et des services. Cette partie a été réalisée par notre ingénieur DevOps.
• Revue de code. On nous a également demandé de revoir le code serveur et d’identifier les points à améliorer. Nous l’avons évalué selon des critères tels que la qualité du code, la gestion des erreurs, la mise en cache et la testabilité. Comme le code était une API REST développée avec Flask, la revue a été effectuée par notre développeur Python senior.

Avant de commencer le projet, nous avons fourni à l’équipe Couple Up ! une estimation de nos efforts pour apporter clarté et transparence à notre collaboration. Nous leur avons également demandé de combler les lacunes dans la documentation de l’API afin d’avoir une compréhension précise de l’infrastructure sous-jacente.

Solution

Tests de charge

Nous avons testé un appel API GET et trois appels POST pour mesurer leurs performances dans des conditions de charge variées. Les tests de charge sont généralement réalisés à l’aide d’un outil qui simule différents nombres d’utilisateurs interagissant simultanément avec votre application, ou une augmentation séquentielle de la demande. Nos ingénieurs QA ont choisi Apache JMeter car c’est un outil open source fiable, spécifiquement conçu pour rendre les tests de charge rapides et efficaces.

Un problème que nous avons rencontré était une description incorrecte des en-têtes API. Ces derniers sont essentiels dans les tests d’API car ils contiennent des métadonnées sur la requête et la réponse API. Ils aident également l’API à comprendre votre requête et à récupérer les informations exactes dans le format souhaité.

Nous avons résolu ce problème en écrivant un script qui nous a permis de décrire correctement les requêtes dans JMeter. Après avoir analysé le système, la charge attendue et la charge maximale, nous avons défini les paramètres de données de test correspondants.

Voici les cas de test que nous avons utilisés :

• Ajouter 1 thread (utilisateur) en 1 sec
• Ajouter 100 threads (utilisateurs) en 1 sec
• Ajouter 1 000 threads (utilisateurs) en 10 sec
• Ajouter 10 000 threads (utilisateurs) en 1 000 sec

Nous avons mesuré les performances du serveur en termes de temps de réponse au fil du temps, de threads actifs au fil du temps et de taux d’erreurs internes du serveur.

Audit de configuration serveur

Notre audit de configuration serveur visait à identifier des opportunités d’amélioration des performances du serveur. Étant donné que les processus mongod génèrent la principale charge CPU et RAM sur le serveur, leur fonctionnement doit être optimisé.

Nous avons fourni à l’équipe Couple Up ! une liste des configurations exactes à mettre en place. Par exemple, nous avons détaillé comment ajuster les paramètres du noyau Linux, tels que le nombre maximum de mappages, le paramètre swappiness, le dirty_ratio, le nombre maximum de connexions en file d’attente, la plage de ports locaux, et plusieurs autres, en relation avec la charge anticipée de 50 000 connexions.

Pour réduire la charge CPU et RAM, nous avons conseillé à notre client de vérifier la formation des requêtes et d’optimiser celles qui s’exécutent lentement, ainsi que de paralléliser les requêtes du même type. Nous avons également suggéré d’indexer et de réindexer régulièrement les champs fréquemment interrogés. Avec la bonne stratégie d’indexation, vous pouvez augmenter considérablement les performances de votre base de données.

De plus, nous avons indiqué quelles configurations par défaut devaient être modifiées et comment procéder.

Revue de code

L’équipe QAwerk a effectué une revue de code complète et a fourni à Couple Up ! des actions rapides et rentables, ainsi que des modifications architecturales importantes pour de meilleures performances et une meilleure évolutivité à long terme.

Nous avons mis en évidence les zones nécessitant une refactorisation pour aider les développeurs de Couple Up ! à maintenir, ajouter de nouvelles logiques métier et faire évoluer le code sans difficulté à l’avenir. Nous avons souligné la nécessité de tests unitaires et d’intégration, car ils faciliteront la refactorisation et l’expansion de la base de code.

Nous avons également recommandé d’améliorer la gestion des erreurs afin que les messages d’erreur soient plus informatifs et affichent toujours des codes de statut corrects. Cela simplifierait le débogage et les tests, et aiderait à standardiser la communication de l’application avec l’API.

Une mise en cache adéquate peut considérablement améliorer les performances à une fraction du coût par rapport à une migration vers Amazon. C’est pourquoi nous avons proposé à notre client de mettre en place une solution de cache.

Enfin, le pipeline CI/CD est absolument indispensable. En cas de publications fréquentes, le CI/CD est essentiel pour détecter les bugs avant le déploiement des mises à jour et accélérer la livraison de nouvelles fonctionnalités aux utilisateurs. La mise en place du CI/CD figurait donc également dans notre liste de recommandations.