性能测试新手误区:用户数与压力

news2026/3/25 1:12:11
同样的项目、同样的性能需求让不同的测试人员来测会是相同的结果么假设有这样一个小论坛性能测试人员得到的需求是“支持并发50人响应时间要在3秒以内”性能测试人员A和B同时开始进行性能测试各做各的。只考虑发帖这个操作A设计的测试场景是50人并发发帖得到的测试结果是平均完成时间是5秒。于是他提出了这个问题认为系统没有达到性能期望需要开发人员进行优化。B设计的测试场景是50个人在线并且在5分钟内每人发一个帖子也就是1分钟内有10个人发帖子最后得到的测试结果是平均完成时间2秒。于是他的结论是系统通过性能测试可以满足上线的压力。两个人得到了不同的测试结果完全相反的测试结论谁做错了或许这个例子太极端绝对并发和平均分布的访问压力当然是截然不同的那我们再来看个更真实的例子。还是一个小论坛需求是“100人在线时页面响应时间要小于3秒”。A和B又同时开工了这时他们都成长了经验更加丰富了也知道了要设计 出更符合实际的测试场景。假设他们都确认了用户的操作流程为“登录-进入子论坛-浏览列表-浏览帖子×10-发帖”即每个用户看10个帖子、发一个 帖子。于是他们都录制出了同样的测试脚本。A认为每个用户的操作一般间隔30s比较合适于是他在脚本中的每两个事务之间加上了30秒的等待思考时间。B想了想自己看论坛时的情景好像平均每次鼠标点击要间隔1分钟于是他在脚本中的每两个事务之间加上了1分钟的等待。他们都认为自己的测试场景比较接近实际情况可惜测试结果又是不同的很显然A场景的压力是B的两倍。那谁错了呢或者有人说是需求不明确导致的那么你需要什么样的需求呢看看我随手在网上51testing找的提问吧和上面的内容如出一辙。一定有很多的性能测试人员每天接到的就是这种需求又这样就开展了测试结果可想而知。这里我想问几个问题希望各位看完了上面的小例子后想一想如果有另一个人和你测同样的系统你们的测试结果会一致么如果不一致那么谁是正确的如何证明测试结果是有效的如果你有了一些疑惑对之前的测试结果少了一些自信那么请继续。服务器视角 vs. 用户视角性能测试中非常重要的一块内容就是模拟预期的压力测试系统运行在此压力下用户的体验是什么样的。那么压力是什么压力是服务器在不断的处理事情、甚至是同时处理很多事情。压力是服务器直接处理的“事情”而不是远在网络另一端的用户。下图中每一个颜色的线段代表一种操作。在任意一个时刻服务器都知道它有10个事务需要处理这10个事务也是有10个用户产生的。但它不知道的是整个时间段内的所有事务是由多少个用户与系统交互而产生的。这句话好像有点绕我再试着更形象的解释一下。时刻110个当前事务是由10个用户发起的。时刻2依然是10个正在进行的事务但可能是完 全不同的10个人发起的。在这段时间内服务器每一个时刻都在处理10个事务但是参与了这个交互过程对服务器产生压力的人可能会达到上百个也可能 只有最开始的10个。那么对于服务器来说压力是什么呢显然只是每时刻这10个同时处理的事务而到底是有10个人还是1000个人区别不大暂不考虑session 等问题。下面再从用户的视角来看看。实际的情况中不可能出现很多用户同一时刻开始进行操作的场景而是有一定的时间顺序的。正如下图所示在这个时间段内一共有23个用户进行了操作。但是服务器能看到这些用户么它知道的只是某一个时间点上有多少个正在执行的事务。大家可以数一下此图中任意时刻的并发事务依然是10个。其实这两个图描述的本来就是同一个场景只不过观察者的视角不同罢了。那么大家想想在性能需求中最常见到的“并发用户”到底是指的什么呢并发用户很多使用“并发用户”这个词的人并没有从服务器视角进行考虑。他们想的是坐在电脑前使用这个系统、对系统产生压力的人的个数。基于这个原因 我很少使用这个容易让人误解的词汇而是进行了更细的划分。主要有这么几个系统用户数注册用户数、在线用户数相对并发用户数、绝对并发用户数。上面几个例子中所说的“并发用户”实际就是在线用户数。其实我更喜欢叫做相对并发用户数因为这个词更容易让人感受到“压力”。相对并发用户 数指的是在一个时间段内与服务器进行了交互、对服务器产生了压力的用户的数量。这个时间段可以是一天也可以是一个小时。而需求人员必须要描述的 也正是这个内容。而绝对并发用户主要是针对某一个操作进行测试即多个用户同一时刻发起相同请求。可以用来验证是否存在 并发逻辑上的处理问题如线程不安全、 死锁等问题也可提供一些性能上的参考信息比如1个用户需要1秒而10个用户并发却需要30秒那很可能就会有问题需要进行关注因为10个用户请 求排队处理也应该只需要10秒啊。但这种绝对并发的测试同实际压力下的用户体验关系不大。再回到相对并发这个概念上来它与服务器的压力到底是什么关系呢如果你理解了前面的所有内容那么就会知道这两者其实没有直接联系当然了同一个测试用例中肯定是用户数越多压力越大。也就是说你得到的这种性能需求是无法知道服务器到底要承受多大压力的。那么如何开展性能测试如何模拟压力既然我们知道了所谓的压力其实是从服务器视角来讲的服务器要处理的事务才是压力那么我们就从这出发来探寻一下性能测试需要的信息。依然用之前的小论坛为例我们需要测试活跃用户为500人时系统的性能是否能还能提供良好的用户感受。假设现在的活跃用户有50个人或者通过另一个类似的系统来推算也行平均每天总的发帖量是50条、浏览帖子500次也就是每人每天发一个 帖子、浏览十个帖子为了方便讲解假设论坛只有这两个基本功能。那么我们就可以推算活跃用户达到500时每天的业务量也会成比例的增长也就是平 均每天会产生500个新帖子、浏览帖子5000次。进一步分析数据又发现。用户使用论坛的时间段非常集中基本集中在中午11点到1点和晚上18点到20点。也就是说每天的这些业务实际是分布在4个小时中完成的如下图随便找了个图意思一下数不一致。那我们的测试场景就是要用500个用户在4小时内完成“每人发一个帖子、浏览十个帖子”的工作量。注意上面的两处“平均每天……”、“分布在4个小时……”。敏感的测试人员应该能发现这个场景测的是平均压力也就是一个系统最平常一天的使用压力我喜欢称之为日常压力。显然除了日常压力系统还会有压力更大的使用场景比如某天发生了一件重要的事情那么用户就会更加热烈的进行讨论。这个压力我习惯叫做高峰期压力需要专门设计一个测试场景。这个场景需要哪些数据呢我们依然可以从现有的数据进行分析。比如上面提到的是“平均每天总的发帖量……”那么这次我们就要查到过去最高一 日的业务量。“分布在4个小时”也需要进行相应的修改比如查查历史分布图是否有更为集中的分布或者用更简单通用的80-20原则80%的工作在 20%的时间内完成。根据这些数据可以再做适当的调整设计出高峰期的测试场景。实际工作中可能还需要更多的测试场景比如峰值压力场景。什么是峰值压力呢比如一个银行网站可能会由于发布一条重磅消息使访问量骤增这个突发的压力也是性能测试人员需要考虑的。需要注意高峰期压力和峰值压力的区别高峰期压力是指系统正常的、预期内压力的一个高峰。而峰值压力是指那些不在正常预期内的压力可能几年才出现一次。这里只是举了个最简单的例子实际工作远比这复杂的多。需要哪些数据、如何获取很可能要取得这些数据就要花费很大的功夫。这其实就涉及到了一个很重要的内容用户模型和压力模型的建立以后会有专门的文章进行讲述。为什么要花这么大的精力来收集这些信息呢是因为只有通过这些有效的数据才能准确的去模拟用户场景准确的模拟压力获取到更加真实的用户体验。只有这样“不同的测试人员测出相同的结果”才会有可能实现而且结果都是准确有效的。要点回顾最后通过几个小问题来总结回顾一下你真的理解“并发用户”的意义么什么是用户视角和服务器视角什么是压力如何模拟预期压力最后下方这份完整的软件测试视频教程已经整理上传完成需要的朋友们可以自行领取【保证100%免费】​​​软件测试面试文档我们学习必然是为了找到高薪的工作下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料并且有字节大佬给出了权威的解答刷完这一套面试资料相信大家都能找到满意的工作。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2445756.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…