1999  
   0
查询码: 00000200
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 ,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！



0人参与

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

 附件
附件类型

GIFGIF

wcp知识库系统-京ICP备15024440号-1 -V 5.2.0 -wcp