k6

Pruebas de carga con scripting en JavaScript más ligero que Locust

Safety Notice

This listing is imported from skills.sh public index metadata. Review upstream SKILL.md and repository scripts before running.

Copy this and send it to your AI assistant to learn

Install skill "k6" with this command: npx skills add davidcastagnetoa/skills/davidcastagnetoa-skills-k6

k6

Herramienta de pruebas de carga y rendimiento que utiliza scripts en JavaScript para definir escenarios de prueba. Es más ligera que Locust y permite validar que el sistema de verificación cumple con el objetivo de respuesta menor a 8 segundos bajo carga concurrente.

When to use

Usar para validar los requisitos de rendimiento del sistema de verificación antes de cada release a producción. Ejecutar pruebas de carga contra los endpoints del pipeline KYC (captura, liveness, OCR, face_match, decisión) para asegurar que el tiempo de respuesta total se mantiene por debajo de 8 segundos y la disponibilidad supera el 99.9%.

Instructions

  1. Instalar k6: brew install k6 (macOS) o descargar desde https://k6.io/docs/getting-started/installation/.
  2. Crear el directorio backend/tests/load/ para almacenar los scripts de pruebas de carga.
  3. Escribir un script base backend/tests/load/verification_flow.js que simule el flujo completo de verificación KYC.
  4. Definir escenarios de carga progresiva: stages: [{duration: '1m', target: 10}, {duration: '3m', target: 50}, {duration: '1m', target: 0}].
  5. Configurar thresholds que reflejen los requisitos del sistema: thresholds: { http_req_duration: ['p(95)<8000'], http_req_failed: ['rate<0.001'] }.
  6. Crear scripts específicos para cada módulo crítico: liveness endpoint, OCR processing, face_match comparison.
  7. Ejecutar las pruebas: k6 run backend/tests/load/verification_flow.js y analizar los resultados.
  8. Integrar en CI como paso opcional en PRs y obligatorio antes de releases: exportar resultados a JSON para comparación histórica.

Notes

  • Ejecutar pruebas de carga contra un entorno de staging dedicado, nunca contra producción ni contra entornos compartidos de desarrollo.
  • Los módulos de ML (liveness, face_match) serán los cuellos de botella; diseñar tests específicos para medir su throughput y latencia bajo concurrencia.
  • Usar k6 Cloud o Grafana para visualización de resultados si se necesitan dashboards históricos de rendimiento.

Source Transparency

This detail page is rendered from real SKILL.md content. Trust labels are metadata-based hints, not a safety guarantee.

Related Skills

Related by shared tags or category signals.

General

traefik

No summary provided by upstream source.

Repository SourceNeeds Review
General

c4_model_structurizr

No summary provided by upstream source.

Repository SourceNeeds Review
General

fastapi

No summary provided by upstream source.

Repository SourceNeeds Review
General

exif_metadata_analyzer

No summary provided by upstream source.

Repository SourceNeeds Review