服务端压力测试性能测试（压力测试 服务器）



一、为什么要做压测

　　1、什么是压力测试？

　　不断向被测对象施加压力，测试系统在压力情况下的表现。

　　2、压力测试的目的是什么？

　　测试得出系统的极限性能指标，从而给出合理的承诺值或者容量告警；

　　找出系统的性能瓶颈，对性能做出优化；

　　测试系统在高负载情况下的稳定性；

　　验证系统在过载情况下的限流和降级预案；

　　3、不做压测会产生什么问题？

　　线上容量评估不准确，流量增加，服务被打挂

　　升级前没做压测，升级后性能出现劣化，可用性降低；

　　无法给出准确的承诺值，导致集群水位过低，资源被浪费或者集群水位过高，系统存在稳定性bug；

　　二、压测方案设计

　　压测环境可以简单的分为模块级压测和链路级压测，它们的主要特点和区别如下：

　　1、模块级压测

　　应用场景：比较变更前后的性能，看性能是否有劣化；定位模块本身的性能瓶颈。

　　环境要求：不要求与线上环境完全一致，只需要保证变更前后两次的压测在同一个环境即可。

　　业界方案：维护一套固定的线下环境，进行周期性、常态的压测。

　　2、链路级压测

　　应用场景：做整条链路的容量评估；评估系统整体可用性。

　　环境要求：要求尽量与线上环境保持一致，这样的压测数据才是有借鉴意义的。

　　业界方案：使用线上环境，根据不同的隔离方式使用不同的方案：

　　不做流量隔离，压测流量和业务流量共存，由于没有做隔离，只能在低峰期压测 

　　逻辑隔离，通过流量调度或者分流方式，将压测流量打到一个压测环境去。压测流量和业务流量在同一个机房跑，但并不会打到同一个业务实例。

　　物理隔离，利用异地多活的特性，将业务流量从一个机房切出，留下一个空机房做压测。

　　第一种方案是最接近线上真实环境的，但是存在着一些安全风险；后两种方案安全性高很多，但是没有完全利用整个线上架构，存在一定程度上的失真。

　　3、线上压测怎么保证安全性？

　　流量隔离，如上述方法做流量隔离。但是只做流量隔离是不够的，即使是物理隔离，也会对线上数据进行修改，所以还要做数据隔离。

　　压测流量经过中间件时进行打标，做压测标记，比如http流量可以配置一个特殊的header。

　　在业务集群对流量标记进行数据隔离，比如对压测流量产生的日志写到另一个路径（有的系统会对日志做一些分析统计）；存储/缓存方面将压测流量产生的数据存储到影子表，正常流量访问正常表；

　　消息屏蔽，如果消息队列无法识别出压测消息，则会造成线上消息堆积，影响线上流量，所以需要对压测消息进行屏蔽。

　　对不支持压测的第三方服务进行mock。

　　三、压测模型

　　压测要覆盖哪些场景？压测请求和数据如何构造？如何模拟业务流量形态？以上三个问题分别对应压测模型中的业务模型、数据模型和流量模型。

　　1、业务模型

　　压测需要覆盖哪些业务场景？

　　需要梳理出核心业务场景，必须包含核心接口和大流量接口，大流量接口可能是一些不对用户暴露的，在内部频繁使用的接口。

　　如何模拟业务场景？

　　需要理清楚接口之间的关系。对待一些简单查询的接口，没有前后依赖关系，只需要关注流量配比就行了；对待一些复杂业务场景，则需要还原业务处理流程，理清楚接口串联逻辑。可以通过场景录制和场景回放来梳理。

　　2、数据模型

　　基于线上数据进行改造

　　请求部分可以直接把线上流量录制下来，对请求加压测标记，并对关键id做便宜；铺底数据可以直接将线上存储数据拷贝到另一个压测表。

　　基于模型构造

　　通过对线上日志和请求进行分析，梳理出对性能有影响的数据特征和请求特征，根据这些特征构造出数据，其中铺底数据需要通过真实的业务应用来构建。

　　基于线上数据改造的方式

　　方案很简单，数据构造快，但是强以来系统现有数据，，无法应对新增场景，模型调整不灵活，适用于老服务的线上压测；

　　基于模型构造

　　不强依赖线上数据，可以人工构造新增场景，维护成本低，只需要调接口就行了，不需要感知线上存储表的变化，模型可以灵活调整，但是方案比较复杂，数据构造慢，使用场景比较广泛，线上线下新老服务皆可。

　　压测模型的特例： 流量录制，原样回放

　　特点：不用模拟业务场景、不需要构造数据；只能录制到线上已有流量的服务和接口；只能在线上环境回放，只能回放只读接口；只适用于老服务读接口的压测；

　　流量录制可以把低峰期、平峰期、高峰期的流量都录制下来，以免出现漏测的情况。

　　3、流量模型： 模拟业务流量形态

　　· 线上有流量

　　观察线上流量形态。

　　网上绝大部分开源的监控打点都是5s以上的，最理想的情况可以达到ms级别的，可以通过分析日志来进行实现。

　　· 线上没有流量

　　分析用户行为或者调用方行为。

　　常见的业务流量形态可以分为两种，一种是连续递增型，还有一种是脉冲型（比如抢红包）

　　4、流量预估

　　流量形态是模拟线上流量曲线，此外我们还需要进行流量预估，计算出压测的量级。

　　已双十一活动为例，我们可以把接口分为三类：

　　· 背景接口

　　流量不随活动而变化，压测是仅作为背景流量，取近期峰值即可；

　　· 普通关注接口

　　流量随活动而变化，用通用模型计算

　　· 重宝接口

　　比如交易接口，取历史大促的峰值

　　四、压测结果分析

　　1、观测指标

　　系统指标

　　· qps/tps，最大tps一定是稳定的，如果存在抖动，那系统已经存在问题。

　　· 响应时间，从客户端发起请求到收到请求的全过程时间

　　· 错误率，根据sla来定

　　· 资源指标

　　· cpu利用率，一般要低于80%，avg低于60%比较保险

　　· 内存使用率，低于80%比较保险，否则可能陷入GC死亡循环

　　· 磁盘吞吐/网络吞吐

　　· 特性指标，根据具体业务来定

　　· 连接池使用率

　　· 消息队列堆积

　　· pps

　　2、仿真度分析： 压测结果是否有价值？

　　比较同等水位下压测场景和线上真实场景服务表现相似度，可进行仿真度分析的指标：

　　· 流量，流量比例，接口覆盖

　　· 链路覆盖

　　· 机器资源，cpu利用率、内存利用率

　　· 可用性指标，时延，错误率

　　· 业务指标

　　把这些指标组装成一个向量，和线上指标做比较，二者差异，差异越小，仿真度就越高。

　　五、压测发展趋势

　　现有痛点：

　　·需要随时观察监控，需要oncall待命

　　· 安全性不足

　　· 方案复杂，代价大

感谢每一个认真阅读我文章的人，礼尚往来总是要有的，虽然不是什么很值钱的东西，如果你用得到的话可以直接拿走：

这些资料，对于【软件测试】的朋友来说应该是最全面最完整的备战仓库，这个仓库也陪伴上万个测试工程师们走过最艰难的路程，希望也能帮助到你!有需要的小伙伴可以点击下方小卡片领取   

版权声明：

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。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/te-xn/79559.html