首页 > 其他分享 >性能测试业务模型中常用的性能指标说明

性能测试业务模型中常用的性能指标说明

时间:2024-10-31 17:18:39浏览次数:3  
标签:RPS 模型 系统 响应 时间 性能指标 测试 用户数

企业在实践过程中不断深入和积累,逐渐对部分性能指标的标准进行了补充,特别是在结合业务场景的分析过程中。

一、系统处理能力

本文主要是对RPS(RequeslPerSecond,每秒请求数)进行补充。我们知道TPS主要从事务数的角度来进行统计,而RPS主要从请求数的角度来进行统计。其中一个事务可以包含多个请求,当事务中的请求只有一个的时候,TPS等于RPS。

TPS和RPS来说,TPS更为业务人员所理解,而RPS更能考查出系统真实的处理能力。在实际分析系统处理能力的时候,需要根据业务和项目组的关注点,采用不同指标进行衡量。获取系统处理能力时,首先考虑系统在设计时是否已有相关的规划值,如规划业务数,若有,则将其直接转化为TPS或者RPS。在没有明确业务规划指标的前提下,对系统处理能力的估算要综合考虑未来系统所承受的业务量,一般会选取系统规划的最大年限。

根据测试目的的不同,系统处理能力指标一般可以分为日常和高峰两种。其中,日常系统处理能力主要是指系统在用户访问以及请求量处于平缓阶段内的处理能力。而高峰系统处理能力主要是指系统在访问和交易量高峰时间段内的处理能力。

若无法获取高峰时间段内信息,则可以根据日常时间段的相关数据,通过经验公式进行折算。二八原则为业界常用的规则,即80%的业务交易量需在20%的工作时间内完成

二、响应时间

本文主要对不同维度的响应时间进行定义,以便测试人员在实施过程中灵活使用。

对于系统响应时间,通常采用交易平均响应时间、90%交易响应时间、最大/最小响应时间等指标衡量系统性能。这些指标的具体解释如下。

交易平均响应时间:在单位时间内某交易运行多次的响应时间的平均值。

最大/最小响应时间:在单位时间内某交易所有响应时间中的最大和最小值。

90%交易响应时间:在单位时间内某交易运行多次,将所有响应时间按升序排列,得出前90%的交易的响应时间都小于的值。

性能测试主要考查系统的交易平均响应时间和90%交易响应时间,最大/最小响应时间一般作为系统问题诊断的辅助手段。

响应时间分析是在业务模型的基础上实现的,需要针对每个不同功能或接获取响应时间的指标。

单个功能或接口响应时间的提取步骤如下:

1)明确所测交易的步骤,划定计算时间的事务范围;

2)取得业务部门的需求指标;

3)明确用户在操作过程中可接受的最大响应时间;

4)根据测试目的,决定是否去除前端页面展示等与服务器交互无关的时间消耗;

5)根据测试环境与生产环境的差异进行调整;

6)获得最终的系统响应时间。

三、用户数

前面已对用户数(系统注册用户数、在线用户数和并发用户数)做了标准定义。在实际项目实施过程中,不管是业务人员、项目经理、开发工程师等都会对并发用户数产生不同的理解,而压测结果中的并发用户数通常对应压测工具中的线程数(脚本中不增加任何等待时间),并非真实用户数

在压测实施中,如果需要采用并发用户数进行测试,那么在这些用户操作间将不加任何的间隔时间。对于并发用户数,可以采用平均值(平均并发用户数)和峰值(最大并发用户数)进行计算。常规测试场景中大部分采用平均值进行测试,在某些极端情况的测试场景中可以考虑采用峰值进行施压。在浪涌测试场景中或者峰值测试场景中,可采用峰值在峰值点施加压力

四、成功率

在实际项目实施统计过程中,成功的概念分为业务逻辑成功系统响应成功等,可根据不同系统的测试要求进行调整。性能测试一般只采用正案例对系统进行施压,因此测试过程中产生的错误功能点或接口一般都是系统无法承受压力导致的。一般联机系统均需满足99.9%的成功率,具体指标可视具体项目需求设定。

五、资源占用率

企业内部定义标准指标范围时,一般参考企业中运维部门定义的指标范围,同时可以结合具体的项目需求来对该范围进行调整。

如有收获,您的关注,点赞,转发,留言评论是对我最大的支持!!!

标签:RPS,模型,系统,响应,时间,性能指标,测试,用户数
From: https://blog.csdn.net/qd_lifeng/article/details/143366408

相关文章

  • 网络编程-OSI模型
    OSI模型OSI是opensysteminterconnection的缩写,译为“开放式系统互联”。OSI模型把网络通信的工作分为7层,从下到上分别是物理层,数据链路层,网络层,传输层,会话层,表示层和应用层。OSI七层网路模型和TCP/IP四层网络模型的对比。网络模型:就是进行数据封装的。当另一台计算机......
  • 测试代码 unittest
    测试代码unittest1.概述。相信接触过Java语言的朋友一定对Junit单元测试框架不陌生,对于Python语言,同样有类似的单元测试框架Unittest。Unittest是Python内部自带的一个单元测试的模块,它设计的灵感来源于Junit,具有和Junit类似的结构,有过Junit经验的朋友可以很快上手。Unitte......
  • 构建第一个ArkTS应用(Stage模型)
    copy官网的留个记号:https://developer.huawei.com/consumer/cn/doc/harmonyos-guides-V5/start-with-ets-stage-V5创建ArkTS工程若首次打开DevEcoStudio,请点击CreateProject创建工程。如果已经打开了一个工程,请在菜单栏选择File>New>CreateProject来创建一个新工程。选......
  • 智慧园区算法视频分析服务器区域入侵算法:开源免费的目标检测模型及关键特性
    在人工智能和计算机视觉领域,目标检测技术已成为理解和分析视频内容的关键。随着深度学习技术的不断进步,一系列优秀的开源目标检测模型应运而生,它们在提高检测精度和效率方面发挥着重要作用。这些模型不仅推动了学术界的发展,也为工业界提供了强大的工具。以下是一些在开源社区中广......
  • python实战(五)——构建自己的大模型助手
    一、任务目标    本文将利用大语言模型强大的对话能力,搭建一个PC端问答助手。具体来说,我们将使用API来调用我们想要的大模型,并结合Prompt让大模型根据任务类型生成对应的输出。为了更方便地调用大模型助手,我们将结合python第三方库中的语音识别库进行开发,实现调用麦克......
  • uniapp - 详细实现移动端公众号 H5 网页授权登录流程及示例代码,申请测试公众号全流程
    前言Vue版本,请访问这篇文章。在uni-appH5网站平台开发中,详解微信公众号网页接入微信授权登录示例代码,附带申请测试公众号全流程及配置教程,提供前端h5页面公众号网页实现授权登陆并获取用户昵称头像数据的示例源码,用自己项目跑出来的本地局域网IP段就可以拉起公众......
  • 常见大模型——LLama系列
    LLaMA简介LLaMA(LargeLanguageModelMetaAI)是由Meta开发的一种大规模语言模型,旨在提高自然语言处理任务的性能。LLaMA基于Transformer机构,并经过大规模数据训练,以便在多种语言任务中表现出色。LLaMA所采用的Transformer结构和细节,与标准的Transformer结构不同的地方是包......
  • 从零开始认识大模型,小白入行必看!
    前言什么是ChatGPT?什么是GPT-4?Bard和PaLM又是什么?它们有什么关系?它们对我们有什么影响?AI技术第一次这么密集地冲击着非从业者们,身处变革之中的我们或许会迷茫,但这本来就是工业革命之后的常态,我们要做的就是像九十年代学习计算机一样拥抱未来。在ChatGPT刚出的时候,我对未......
  • 从零到精通大模型!超详细入门知识点汇总,一篇在手,学习无忧!
    采用提问方式,从个人知识盲点开始,渐进式掌握大模型入门知识点。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍1、大模型中7b、70B代表什么在讨论人工智能领域特别是大型语言模型(LLMs)时,“7b”和“70B”均用来表示模型所包含的参数数量。这里的“b”是英文“Billion”......
  • 大模型训练优化方法_大模型调优
    写在前面在训练模型尤其是大模型的时候,如何加快训练速度以及优化显存利用率是一个很关键的问题。本文主要参考HF上的一篇文章:https://huggingface.co/docs/transformers/perf_train_gpu_one,以及笔者在实际训练中的一些经验,给出一些比较实用的方法。先看一个总览的表:方法......