性能测试之脚本、工具、结果分析总结

1、脚本模板 

 2、 场景模板 

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。

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（LoadGenerator）”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： 

 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） 

 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。 

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。 

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。  

 

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