402  
如何做压测?
来源:https://mp.weixin.qq.com/s/aTcvD4__Rbo0UoRrW3ZjuA
作者: 系统管理员 于 2020年12月02日 发布在分类 / 技术研发 / 软件测试 下,并于 2020年12月02日 编辑
性能测试 阿里技术

如何做压测?

原创 冬恒 阿里技术

阿里技术

微信号ali_tech

功能介绍阿里巴巴官方技术号,关于阿里的技术创新均呈现于此。

收录于话题

#测试技术 10

#Java 23

#性能测试 1

阿里妹导读: 压测的一般流程和方法是什么?需要关注哪些数据指标?如何推算后端需要支持的qps?本文分享总结压测过程中需要注意的问题,希望对同学们有所启发,欢迎讨论~


文末福利: 云服务器超值优惠。


一  压测目标
在开始做压测计划之前,一定要先明确压测的目标是什么,虽然最终的目标肯定都是优化系统的性能,但是不同的出发点,可能需要采取不同的方法。
一般来说,可能有以下一些目的:

1  挖掘系统瓶颈点,优化系统性能
尤其对新系统上线,缺乏性能基线数据,此时压测一般没有明确的qps/rt等指标,而是通过不断施压,不断逼近系统的极限,从而暴露问题,修复问题。
2  建立性能基线
主要是为了收集系统当前的最大性能指标,一般会根据业务特点,先确定对rt和错误率的容忍度,然后通过压测推算出能够支持的最大qps, 并发量等。
同时可以结合性能指标和监控数据,来建立合理的预警机制,设立系统水位报警项,限流阈值,弹性策略等。
量化系统能力/SLA等 (比如在竞标中引用)。
3  性能回归
对于已上线系统,或者性能需求明确的系统,可以根据线上实际的运行情况,确定系统需要支撑的qps/rt, 然后在涉及性能影响前做回归校验,确保性能满足预期。
4  系统稳定性
更侧重在一定压力的情况下,系统是否能长时间稳定持续的提供SLA保障。
一般可以考虑将压力设定到业务峰值的80%,持续施压。
5  网络/线路延迟稳定性等
在一些特殊的业务场合,对延迟的容忍度极小,比如DNS解析,CDN服务,多人实时在线游戏,高频交易等等,需要网络质量,尤其是不同线路(电信/联通/教育网/...)间的差异。
二  压测对象
明确了压测目标后 ,就是确定要压什么,来实现目标。
一般来说,压测对象可以这么分:


  • 后端


  • 单api

  • 单业务逻辑场景


  • 前端

  • 单request

  • 单操作

  • 单页

  • 整体页面平均情况


三  压测数据
压测过程中,一般主要关注一下数据指标:
1  starter/client


最重要的三个指标:
  • qps

  • rt

  • 成功率


其他的:
  • 页面平均响应时间 (重要)。

  • 并发量(其实没那么重要,主要还是qps)。

  • 最大用户同时在线数 (用户登录系统,一般不需要额外压测,除非业务场景特殊)。

  • 网络质量(延迟,波动等,不展开)。


2  server
主要是监控数据:


  • cpu usage

  • load

  • mem

  • jvm/fullGC

  • 连接数(netstat)

  • disk io (iostat / iotop)


四  压测结果分析
一般是随着压力的增加(并发请求的增加)探究qps/rt/成功率三者的关系,从而找到系统的平衡点,如果能结合服务端的监控数据,就更好。

五  压测工具
1  jmeter
concurrent Thread Group

java sampler

composite chart
可以将多个chart组合到一个chart中,并且坐标系会自动伸缩,方便在一个图中展示结果。

六  性能指标推算方法
以上都是一些系统向的指标数据,其实对用户来说是不感知,或者说也是没有意义的。那什么样的数字是有意义的呢?举个例子:
  • 如果你提供的是一个在线的网页服务,那用户可能关心的是,你的系统在保证不察觉卡顿的情况下(系统的SLA, 实际可能容忍存在偶发的页面错误重试)能承受多少人并发使用。


  • 如果你提供的是个结算系统,那用户可能关心的是,在保证交易有效性的情况下(不能出错,但是可以偶发超时重试,同样是系统的SLA),每秒可以处理多少笔订单。


举例分析:

1  基本算法

此处pv表意不清,实为后端日志统计的后端api的调用次数,如果有前端统计的一般意义上的pv(page visit),基本原理相同,可以简单换算一下,pv * x-ratio = 后端调用次数。

1.  获取现场每日asapi PV/UV的均值/峰值。


2.  取Max(PV峰值*0.8,每日PV均值)作为目标PV', PV'时段的UV值作为实际并发用户参考值N', 计算PV'/perMinute/N'作为每分钟用户操作触发api次数O'。


3.  根据以下规则换算成后端需要支持的qps:


  • 3.1  模型假设:2/8原则——每日有80%的PV发生在20%的工作时间内( ratio=0.8


  • 3.2  假设页面单个请求映射到后端api请求比例为1:10,假设一天working hour为8小时 ( e=10 )。


  • 3.3  假设一般用户,高峰期每分钟操作页面10次 ( o=10 )。


  • 3.4  根据现场日PV计算支持N'用户并发操作需要的qps: PV' * ratio/(working hour∗60∗60∗(1−ratio) )= qps


  • 3.5  根据现场峰值小时级PV计算支持N'用户并发操作需要的qps: PV' * ratio/(1∗60∗60∗(1−ratio) ) = qps


4.  根据压测qps推算能够支持的最大用户同时使用数:


  • 4.1 同样基于上述公式,根据上述假设,1分钟内,每个用户操作10次,每次前端操作对应后端10个api:


  • 1分钟PV = N * 10 *10

  • N *10 *10 / 60 = qps ==> N = qps * 0.6


  • 4.2  如果按照小时为单位推算,1个小时内,每个用户操作页面100次,每次前端操作对应后端10个api:


  • 60分钟PV = N * 100 *10

  • N *100 *10 / 60*60 = qps ==> N = qps * 3.6


2  正向推演
如果现场环境数据表明,高峰期9:00~10:00有50人登录过系统,pv累计10000,那么根据(3.1),系统整体qps >= 11+ 才能维持当前用户量正常使用。
3  反向推演
如果家里环境压测结果表明,随机API调用qps=30, 保持上述假设,参照(4.2),即可支撑18人高峰期同时操作。
4  不严谨的地方
上述算法针对随机API按照1:1计算,实际上调用肯定是不均匀的,可以根据现场的数据统计下api的调用分布,压测是模拟相同的调用分布尽量贴近实际。
另外用户每分钟操作页面次数,和每次前端请求对应后端api的膨胀比都是预估出来的,虽然可以根据模型做近似,但是不如直接根据现场数据计算出来准确。
七  其他考量
  • 链路跟踪能力,分析瓶颈点


  • api log

  • eagleye-traceId



  • 缓存对数据库的影响


  • 是否需要压到db层,要考虑压测场景。


  • 是否需要创造海量的随机压测数据 (比如针对单用户的缓存优化场景,单一用户的性能不能用来推送多用户并发的场景)。


  • 同步接口异步接口的压测 (staragent)


  • 主要考验后台任务处理能力(异步任务提交即时返回了)。


  • 系统不同层次的限流设置对API的影响


  • 比如有业务层的限流如Sentinel, Nginx层的限流如X5, 或者其他基于LVS的限流等。


  • 消息通信,尤其是广播消息。


  • 数据库,尤其是写一致性。


  • 复杂场景的长链路调用。


  • Nginx/Tomcat的配置对请求的影响。


  • 容易忽视的对象序列化/反序列化对性能的影响。


  • 热点数据。




云服务器超值优惠
低至1元起



阿里云开发者成长计划面向全年龄段开发者,依托免费资源、免费体验、免费学习、免费实践4大场景,全面助力开发者轻松掌握云上技能。现推出 开发者专属的特价云服务器,涵盖轻量应用服务器、云数据库MySQL、实时计算Flink等多个爆款,低至1元起!






 同类知识


 推荐知识

 历史版本

修改日期 修改人 备注
2020-12-02 09:54:06[当前版本] 系统管理员 创建版本

 附件
wcp知识库系统-京ICP备15024440号-1 -V 4.5.8 - 旗舰版 -WCP官网