aws_tcp_to_blackhole
本测试用于验证 aws_tcp_to_blackhole 场景下的引擎性能（Mac M4 Mini，日志解析+转换）。
场景描述
本场景可概括为：AWS ELB 日志，TCP 输入到 BlackHole 输出，执行 日志解析+转换 能力。
本测试旨在评估 WarpParse 与 Vector 两款引擎在 AWS ELB 日志 处理场景下的表现。
设计
- 测试目标: 对比两引擎在该日志场景下的吞吐、延迟、CPU/内存使用。
- 输入配置: TCP 输入，覆盖高并发/大吞吐压测场景。
- 输出配置: BlackHole 输出，用于验证链路吞吐能力。
- 预期行为:
- 解析与转换链路正确执行，字段映射/增强结果与规则期望一致。
- 高负载下转换不成为瓶颈，整体吞吐稳定，延迟可控。
- 性能与资源指标可正常采集，用于后续对比与回归。
Results（Mac M4 Mini）
| 引擎 | 输入模式 | 输出模式 | 消费速率(EPS) | MPS | CPU平均/峰值 | 内存平均/峰值 |
|---|---|---|---|---|---|---|
| WarpParse | TCP | BlackHole | 611,800 | 239.80 | 624.17 %/753.00 % | 478.25 MB/487.42 MB |
| Vector | TCP | BlackHole | 152,900 | 59.93 | 611.53 %/677.50 % | 288.53 MB/294.42 MB |
结论
在本测试场景（AWS ELB 日志，TCP 输入到 BlackHole 输出，执行 日志解析+转换 能力）中，对比 WarpParse 与 Vector 的性能表现，得出以下结论：
-
吞吐性能: WarpParse 表现出显著优势。
- 消费速率达到 611,800 EPS，约是 Vector (152,900 EPS) 的 4.00 倍。
- 这意味着在相同硬件资源下，WarpParse 能够处理更大规模的数据流量。
-
系统资源开销:
- CPU: WarpParse 的 CPU 使用率基本持平（624.17 % vs 611.53 %）。
- 内存: WarpParse 的内存占用更高（478.25 MB vs 288.53 MB）。
总结: WarpParse 在该场景下展现了卓越的吞吐性能（领先约 4.00 倍），虽然在资源消耗上略有增加，但考虑到数倍的性能提升，整体能效比极高。对于追求高吞吐量的日志处理场景，WarpParse 是更优的选择。