性能测试知识之三大模型
目录
目录
即业务模型、流量模型和数据模型这三大模型
业务模型
流量模型
数据模型
即业务模型、流量模型和数据模型这三大模型
该如何评估和建立。
在性能测试工作中，业务模型、流量模型和数据模型是至关重要且必须在项目中构建的，否则很可能导致测试的场景和实际差距很大，测试结果也无法为性能分析和优化提供足够有说服力的支撑。
为了便于大家理解三大模型，我会以电商业务下单的场景来举例说明，如下图：
业务模型
大家可以将业务模型看作功能测试中的业务场景。在性能测试中要构建业务模型，我们要考虑如下几个因素：
- 商品库存是否足够；
- 下单的商品是否可参与营销活动；
- 下单的用户是否是vip会员，有会员折扣；
- 下单的用户是否有优惠券，该优惠券是否满足本订单的优惠条件；
- ............
其实业务模型和功能测试时候的业务场景分析没什么区别，都是为了针对被测业务和服务进行分析，确保测试的场景和需求是一致的。
如果是更复杂的业务和更大范围的测试需求，可能还要考虑线上业务的流量入口、风控等因素。
当然在实际的工作或项目中，建议通过分析需求，梳理出压测涉及到的业务和场景，绘制成一个业务模型思维导图，这样便于后续的工作开展。
业务模型思维导图可以用树状图也可以用类似上图的样子，便于理解即可。
流量模型
我们都知道，性能测试执行压测时，都是基于接口或某个URL来进行的。本质是模拟生产环境的用户，构造请求对被测系统施加压力，验证系统性能是否满足业务需要，是否存在性能瓶颈。
生产环境的用户操作场景是很复杂的，所以请求的大小和请求路径也各不一样。
以上图为例，下单时候有些用户使用了优惠券，有些用户不是vip会员无法享受折扣，有些商品没有营销活动。这些因素要求我们在构造请求时，需要按照不同的业务场景构造不同的请求。
所谓的流量模型，其本质是按照业务场景的不同将请求按照真实的比例进行配置，也称之为业务配比。
大家也可以将流量模型理解为压测模型，工作中常见的压测模型有如下几种：
单机单接口基准测试
基准测试最常见的就是对登录场景进行压测。
单机单接口的压测，可以通过梯度递增的方式，观察随着请求的增加，其性能表现&资源损耗的变化。
单机混合链路容量测试
以上图为例，订单服务包含创建订单、取消订单、订单列表、订单详情等接口。
每个接口的请求量大小、请求内容各不相同。单机混合场景，大多通过梯度增加请求的方式，观察服务级别的性能表现，目的是排查上下游调用依赖的瓶颈。
生产环境全链路压测场景
针对生产集群的全链路压测，常见的案例就是双11电商大促。生产全链路压测模型较多，一般有如下几种：
- 梯度加压：为了探测集群模式下系统的最大吞吐量（避免压垮服务，造成事故）；
- 固定并发：验证系统长期处于负载下的稳定性；
- 脉冲并发：探测系统的健壮性、验证限流熔断等服务保护措施的正确性&可用性；
- 超卖验证：对电商业务来说，主要针对一些限时抢购&秒杀的场景（一般这种场景，会涉及到分布式锁、缓存、数据一致性等技术点；玩不好的话，容易造成客诉、资损、甚至服务异常宕机！）；
构建流量模型
下面是之前我实际工作中一次双11大促时的流量模型构建案例，仅供参考。
业务目标：双11当天，预估平均客单价为500，单日GMV为10亿，那么支付订单量为10亿/500=200W；
技术指标：
- 假设日常支付订单量为50W，支付转化率为40%，订单支付QPS峰值为200。预估大促时的支付转化率为60%，则可得：大促峰值订单支付QPS为（200/40%）*60%*（200W/50W）=1200QPS。为了留有一定冗余空间，上浮30%，即订单支付的QPS预估为1500；
- 电商的导购下单支付链路为：首页→商品详情→创建订单→订单支付→支付成功，这是类似漏斗的一个转化逻辑。假设首页→商品详情转化率为40%，商品详情→创建订单转化率为40%，创建订单→订单支付转化率为40%，那么可得：创建订单QPS为1500/40%=3750，商品详情QPS为3750/40%=9375，首页QPS为9375/40%=23437；
- 按照核心链路之间的依赖调用关系，借助trace追踪，可得到大促期间所有核心应用及核心链路的QPS数值。
建议评估后流量模型后，结合业务场景和服务间的调用关系，绘制成一个流量模型图，这样会更直观，便于工作开展。
数据模型
了解了业务模型和流量模型后，数据模型就很好理解了。
以上图为例，电商下单业务在构建数据模型时，要根据压测时常、压测次数和压测场景，准备不同类型的数据。
在准备数据时，还要考虑数据的有效性、数据量级、数据的组合逻辑关系以及数据是否符合生产环境的数据分布等情况。
如果测试过程中采用的数据不准确，那测试结果往往出现较大偏差。关于测试数据模型构建，可参考如下几点：
| 数据信息 |
说明 |
| 限制条件 |
用户操作权限、数据引用次数、数据过期设定（次数、绝对时间） |
| 数据量 |
实际生产环境的数据量为多少，在性能测试环境如何等量代换 |
| 数据类型 |
基础数据、热点数据、缓存数据、特殊数据 |
| 数据特点 |
是否可以复用、是否具有唯一性、自增、加密、拼接、转义等 |
| 准备方式 |
copy真实环境数据、预埋铺底数据、脱敏生成数据 |
基础数据
也称为铺底数据，铺底数据目的是与线上保持一致（至少数量分布一致），再结合线上增长率，确认预埋数据量级及预埋方式。
涉及到压测时需要校验的数据，需要在铺底的时候就要精细化的设计，包括数据大小、数量、分布。
热点数据
需要了解被测接口的实现逻辑，确认以下信息：
- 是否有热点数据相关的操作：比如说所有用户秒杀同一件商品；
- 不同类型数据处理逻辑有差异时，需通过测试数据多样化提高性能测试代码覆盖率；
缓存数据
要确认是否有缓存，缓存大小。
秒杀抢购相关数据，一般来说都是进行队列处理，将该类型数据放入缓存中进行处理来应对高并发。
再比如用户登录所需的token等数据，在压测时，可以提前将构造好的数据预热到缓存，避免压测时用户服务成为瓶颈。
构建数据模型
构建数据模型的目的，最直观的就是压测时候的测试数据参数化。一般构建步骤如下：
- 构建业务模型；
- 构建流量模型(压测模型)；
- 罗列出业务和流量模型所需要的测试数据以及对应关系；
- 将准备好的参数化数据从数据库取出来生成对应的不同的参数化数据文件；
- 在压测脚本中设置对应的数据匹配关系，保证业务模型、流量模型和数据模型匹配，模拟生产真实场景；
