六、 性能测试用例与场景

脚本模板

场景模板

七、 性能测试工具选择

1. 数据建模工具

DataFactory是一种强大的数据产生器，它允许开发人员和QA很容易产生百万行有意义的正确的测试数据库,该工具支持DB2、Oracle、 Sybase、SQL Server数据库，支持ODBC连接方式，无法直接使用MySQL数据库，可间接支持。

2. 脚本开发工具

(1) 若考虑脚本运行效率，则可考虑底层开发语言C或支持异步通信的语言JS,我们可以分别选择：Loadrunner 或 Node.js 的IDE环境进行开发。

(2) 若考虑脚本开发效率，则可考虑代码复用性，可以选择面向对象语言C#或Java，为此我们可以分别选择：VS2008及以上版本 + 对应LR.NET控件 或者 Eclipse4.0及以上版本 + JDK1.7及以上版本。

HTTP、Socket等协议接口性能测试脚本开发过程，请详见附件：

HTTP接口性能测试之脚本开发与性能问题分析.pdf

利用LR.Net控件完成性能测试脚本编写方法.pdf

Node.js学习入门手册.pdf

3. 压力模拟工具

(1) 若为Java类接口且单机并发数控制在500内，则可选择Jmeter或者 Loadrunner。

(2) 若为WebService类接口且单机并发数控制在500内，则可选择SoapUI或者Loadrunner。

(3) 若单机并发数超过500且控制在5000内，则可选择Loadrunner。

(4) 若单机并发数超过5000，则建议采用负载集群，即采用“中控(Control Center)+ 多机部署(Load Generator)”方案。

4. 性能监控工具

4.1 监控工具

无论Windows或Linux平台，一般存在的是一个或一组进程实例，我们可以选择Loadrunner 或 Nmon 来监控。有时为了获取被测应用的一些特性指标，可以选择被测组件自带的性能工具集或监控系统。常见应用服务器监控工具推荐如下：

4.2 监控平台

监控机器主要对被测集群服务器的服务或资源使用情况进行监控，比如各种开源的监控工具，MRTG：流量监控；CACTI：流量预警，性能报告Smokeping:IDC 质量监控；综合监控：Nagios、Zenoss、Ganglia 、Zabbix、Sitescope、Hyperic HQ 等，如下所示：

4.3 第三方监控云服务(APM)

APM提供端到端应用性能管理软件及应用性能监控软件解决方案,包含移动,浏览器,应用,基础设施,网络,数据库性能管理等，支持Java、.NET、PHP、Ruby、Python、Node.js、iOS、Android、HTML5等应用性能监控管理，主流云服务包括听云、OneAPM等，如下所示：

八、 性能测试结果分析

1. 指标分析

性能测试的指标可分为产品指标和资源指标两类。对测试人员而言，性能测试的需求来自于用户、开发、运维的三方面。用户和开发关注的是与业务需求相关的产品指标，运维人员关注的是与硬件消耗相关的资源指标。

(1) 从用户角度关注的指标

用户关注的是单次业务相关的体验效果，譬如一次操作的响应快慢、一次请求是否成功、一次连接是否失败等，反映单次业务相关的指标包括：

a.成功率b.失败率c.响应时间

(2) 从开发角度关注的指标

开发人员更关注的是系统层面的指标。

a.容量：系统能够承载的最大用户访问量是多少?系统最大的业务处理量是多少?

b.稳定性:系统是否支持7*24小时(一周)的业务访问。

(3) 从运维角度关注的指标

运维人员更关注的是硬件资源的消耗情况。

以上说明了测试人员在选择指标时需站在用户角度去思考，另外为了后续能够更好地分析问题，更需掌握与被测组件特性或运行原理相关的性能指标。

举例来说，通常接口系统均会直接或间接地访问数据库层介质(如Mysql、Oracle、SQLServer等)，此时我们需考虑由接口系统产生压力下存储介质的性能情况，通常我们会选择分析指标如下：

(1) 连接数(Connections)

(2) 每秒查询数/每秒事务数(QPS/TPS)

(3) 每秒磁盘IO数(IOPS)

(4) 缓存命中率(Buffer Hits)

(5) 每秒发生的死锁数(Dead Locks/sec)

(6) 每秒读/写字节数(Read/Write Bytes/sec)

对于Windows或Linux平台具体指标监控及分析方法，请详见附件：

《Windows操作系统性能监控工具和指标分析V1.0》.pdf

《Linux操作系统性能监控分析手册V1.0》.docx

2. 建模分析

2.1 理发店模型

图中展示的是1个标准的软件性能模型。在图中有三条曲线，分别表示资源的利用情况(Utilization，包括硬件资源和软件资源)、吞吐量(Throughput，这里是指每秒事务数)以及响应时间(Response Time)。图中坐标轴的横轴从左到右表现了并发用户数(Number of Concurrent Users)的不断增长。

在这张图中我们可以看到，最开始，随着并发用户数的增长，资源占用率和吞吐量会相应的增长，但是响应时间的变化不大；不过当并发用户数增长到一定程度后，资源占用达到饱和，吞吐量增长明显放缓甚至停止增长，而响应时间却进一步延长。如果并发用户数继续增长，你会发现软硬件资源占用继续维持在饱和状态，但是吞吐量开始下降，响应时间明显的超出了用户可接受的范围，并且最终导致用户放弃了这次请求甚至离开。

根据这种性能表现，图中划分了三个区域，分别是Light Load(较轻的压力)、Heavy Load(较重的压力)和Buckle Zone(用户无法忍受并放弃请求)。在Light Load和Heavy Load 两个区域交界处的并发用户数，我们称为“最佳并发用户数(The Optimum Number of Concurrent Users)”，而Heavy Load和Buckle Zone两个区域交界处的并发用户数则称为“最大并发用户数(The Maximum Number of Concurrent Users)”。

当系统的负载等于最佳并发用户数时，系统的整体效率最高，没有资源被浪费，用户也不需要等待；当系统负载处于最佳并发用户数和最大并发用户数之间时，系统可以继续工作，但是用户的等待时间延长，满意度开始降低，并且如果负载一直持续，将最终会导致有些用户无法忍受而放弃；而当系统负载大于最大并发用户数时，将注定会导致某些用户无法忍受超长的响应时间而放弃。所以我们应该保证最佳并发用户数要大于系统的平均负载。

2.2 压力变化模型

随着单位时间流量的不断增长，被测系统的压力不断增大，服务器资源会不断被消耗，TPS 值会因为这些因素而发生变化，而且符合一定的规律。

图中：

a 点：性能期望值

b 点：高于期望，系统资源处于临界点

c 点：高于期望，拐点

d 点：超过负载，系统崩溃

2.3 容量计算模型

以一网站性能测试为案例：

1. 通过分析运营数据，可以知道当前系统每小时处理的PV数

2. 通过负载测试，可以知道系统每小时最大处理的PV数

即整理得

系统每小时PV处理剩余量 = 系统每小时最大处理的PV数 — 系统每小时处理的PV数

假设该网站用户负载基本呈线性增长，现有系统用户数为70万，根据运营推广计划，1年内该网站发展用户将达到1000万，即增长了14倍。即整理得：

系统每小时PV处理增加量 = 当前系统每小时处理的PV数 * 14 — 当前系统每小时处理的PV数

每天系统负载增加率 = 100% / 365 = 2.74 % (备注：此处将未来系统用户数达到1000万的负载定义为 100% )

系统每天PV处理增加量 = 系统每小时PV处理增加量 * 每天系统负载增加率 * 24

所以，我们可以知道在正常负载条件下：

系统可支持正常运行天数 = 系统每小时PV处理剩余量 * 24 / 系统每天PV处理增加量

假设该网站后续部署升级天数已知，这样我们可以知道提前升级的天数：

系统可支持正常运行天数 — 部署升级天数。

九、 性能测试通过标准

1. 所有计划的测试已经完成。

2. 所有计划收集的性能数据已经获得。

3. 所有性能瓶颈得到改善并达到设计要求。

22/2<12