✏️【本日實作紀錄：端到端整合測試與 Locust 壓力測試】

在 Day 24 完成 雲端 VPS 一鍵自動化部署 與 Let's Encrypt SSL/TLS 數位憑證 設定後，PrescriptionVLM 系統已運行於正式公網環境。

然而，系統在實際上線後，可能會遇到多位長輩或照護者在用藥時間同時上傳藥袋照片的情境。為了驗證系統在高併發請求下的穩定性，以及確定 Day 19 實作的 Redis 快取與 API 限流機制 是否有效，我們需要進行完整的 端到端測試（E2E Testing） 與 Locust 壓力測試（Load Testing）。

今天我們將為 PrescriptionVLM 系統建立 自動化 E2E 測試與 Locust 負載壓測。完成項目包含：

• E2E 流程自動化驗證 — 模擬使用者從圖片上傳、VLM 解析、寫入 Redis 快取到 LINE 訊息推播的完整流程測試。
• Locust 負載壓力測試腳本 — 模擬數十至數百位使用者同時上傳圖片，測試系統的 RPS (Requests Per Second) 與平均回應延遲。
• 快取效能與限流防衛驗證 — 驗證快取命中情況下的效能變化，以及過載時是否能觸發 HTTP 429 限制。

一、壓測與 E2E 測試架構

在正式發布產品前，進行端到端與壓力測試有以下好處：

• 驗證全鏈路整合：E2E 測試確保 Web API、Gemini VLM、Redis 快取與 LINE Push Notification 整個流程順暢。
• 找出系統效能瓶頸：在不同使用者數量下評估系統回應時間，確認 Gunicorn Worker 數量與 Nginx 超時設定是否足夠。
• 驗證快取節流效益：比對第一次上傳與重複上傳的系統負載差距，量化 Redis 帶來的效能改進。

二、升級專案依賴（requirements.txt）

請開啟專案根目錄的 requirements.txt，加入 Locust 壓力測試套件：

locust==2.23.1

三、實作全系統端到端測試（tests/test_e2e.py）

請在專案中建立 tests/test_e2e.py 檔案，寫入模擬完整分析流程的 E2E 測試：

import pytest
import os
import io

def test_full_prescription_analysis_pipeline(client):
    """測試從圖片上傳、VLM 解析、Redis 快取到 LINE 推播的完整流程"""
    # 建立測試用模擬圖片二進位資料
    test_image_bytes = b"fake_prescription_image_data_for_e2e_testing"
    
    data = {
        'image': (io.BytesIO(test_image_bytes), 'test_rx.jpg')
    }
    
    # 1. 第一次發送請求（預期：Cache Miss）
    response1 = client.post(
        '/analyze-prescription',
        data=data,
        content_type='multipart/form-data'
    )
    
    assert response1.status_code in [200, 429, 503]
    if response1.status_code == 200:
        json_data1 = response1.get_json()
        assert json_data1['status'] == 'success'
        assert json_data1['cached'] is False
        assert 'request_id' in json_data1

        # 2. 第二次發送相同圖片請求（預期：Cache Hit 快取命中）
        data_cached = {
            'image': (io.BytesIO(test_image_bytes), 'test_rx.jpg')
        }
        response2 = client.post(
            '/analyze-prescription',
            data=data_cached,
            content_type='multipart/form-data'
        )
        
        assert response2.status_code == 200
        json_data2 = response2.get_json()
        assert json_data2['status'] == 'success'
        assert json_data2['cached'] is True

四、撰寫 Locust 壓力測試腳本（locustfile.py）

在專案根目錄建立 locustfile.py，設定模擬使用者的行為模式：

from locust import HttpUser, task, between
import io

class PrescriptionVLMUser(HttpUser):
    # 模擬使用者在每次操作之間的等待時間（1 到 3 秒）
    wait_time = between(1, 3)

    def on_start(self):
        """初始化測試圖片數據"""
        self.test_image = b"locust_load_test_prescription_image_bytes"

    @task(3)
    def test_dashboard(self):
        """模擬使用者瀏覽儀表板頁面 (權重: 3)"""
        self.client.get("/dashboard", name="GET /dashboard")

    @task(1)
    def test_analyze_prescription(self):
        """模擬使用者上傳藥單照片進行分析 (權重: 1)"""
        files = {
            'image': ('test_rx.jpg', io.BytesIO(self.test_image), 'image/jpeg')
        }
        headers = {
            'X-Request-ID': 'locust-test-trace-id'
        }
        self.client.post(
            "/analyze-prescription",
            files=files,
            headers=headers,
            name="POST /analyze-prescription"
        )

五、執行壓力測試與成果驗證

1. 啟動 Locust 壓測 Web 介面

在 Terminal 執行命令啟動 Locust：

locust -f locustfile.py --host=http://127.0.0.1

• 啟動後在瀏覽器開啟 http://localhost:8089。
• 設定模擬使用者數為 50，每秒爬升人數設定為 5。

2. 驗證壓測與快取效能數據

點擊 Start Swarming 執行測試，觀察 Locust 統計儀表板：

• 吞吐量 (RPS)：儀表板頁面回應時間在合理範圍內。
• 快取效益驗證：第二次後的圖片解析請求被 Redis 快取截流，API 回應速度明顯改進。
• 限流防護驗證：當單一 IP 請求頻率超過限制時，系統能回應 429 Too Many Requests，後端 Gunicorn 伺服器運作穩定。

六、版本控制與提交 GitHub

測試通過後，將 Day 25 的修改提交至 GitHub：

git add requirements.txt tests/test_e2e.py locustfile.py

git commit -m "保留雙引號 改填寫自己要記錄的標記 ex.鐵人賽第二十五天"

git push

七、本日小結與明日預告

今天我們透過 自動化 E2E 端到端測試 與 Locust 負載壓力測試，驗證了 PrescriptionVLM 系統在尖峰流量下的承載能力與快取防禦機制。

明天（Day 26），我們將進入專案維護與營運階段，實作 Grafana / Prometheus 系統數據監控面板與異常警報通知，讓營運者隨時掌握系統健康狀況！