谈谈压测方案的那点事

📢专注于分享软件测试干货内容，欢迎点赞 👍 收藏 ⭐留言 📝 如有错误敬请指正！
📢交流讨论：欢迎加入我们一起学习！
📢资源分享：耗时200+小时精选的「软件测试」资料包
📢 最困难的时候，也就是我们离成功不远的时候！

前言

在现阶段大促备战的压测不算是一件新鲜事，已经不存在什么技术瓶颈或者资源问题，每个团队都有很多人能够执行性能测试，在一些团队也已经落地了日常常态化，但压测也没有简单到只在压测平台上设置参数、运行脚本，然后去看压测报告中某个指标是否满足压测目标那么简单，我平时也跟一些同学一起做过性能测试，发现在压测过程中存在一些细节问题，有些同学做但不是很理解，压测方案对于性能测试来说是尤为重要一环，今天把对于压测方案方面的一些理解跟大家一起探讨一下；

性能测试的本质是模拟生产环境的用户，构造用户真实的行为请求，对尽量真实的压测系统施加压力，验证系统性能是否满足业务需要，是否存在性能瓶颈；

从里面可以看出核心的几个点：压测目标、压测场景、压测环境，今天主要从三大块来说

一、压测目标

我们在制定压测方案去说起压测目标的时候，很多同学都直接的考虑到TPS、QPS、TP99这些，

忽略了很重要的一项内容就是压测背景，就是因为什么原因我们要做这次压测，压测背景是我们压测的的方向，如果方向错了就会导致我们费时费力压测完成之后，压测的结论是没有意义的

那么压测背景和压测目标的关系是啥呢？

说一下我们现在常见的几种压测背景：

1、大促期间调用量对比平常明显有增长的业务

目标：是否能够支承大促预估峰值流量（业务预估+业务增长+大促增长）+单机房承载量+ 接口能支撑多大的调用量

结论：xxx配置最优/最大吞吐量xxx，能够支撑本次大促预估峰值调用量xxxx，是否存在风险；

2、上次大促压测过，但是之后新增/修改过的内容

目标：接口性能是否有变化+是否能够支撑大促预估峰值流量+接口能支撑多大的调用量

3、新增的接口，没有压测过，有业务预估调用量

目标：接口是否能够满足业务预估调用量（极限）+ 正常

4、新增的接口，没有压测过，没有业务预估调用量

目标：接口性能评估，系统性能是否存在瓶颈？有无优化空间？

5、新增的接口替换老接口

目标：接口性能评估，是否能够满足老接口的业务调用量+新增业务调用量

6、老接口的性能优化

目标：对比优化前优化后的性能指标，是否有优化效果

7、大促期间峰值调用量相比日常调用量没有明显变化，但是高峰时间拉长的业务

目标：峰值流量稳定性压测

8、没有太大的调用量，但是用户对于用户体验要求比较高

目标：接口响应时间是否有感官上的延迟，关注TP99，是否需要优化

9、不知道系统是否需要扩容

目标：极限压测，应用服务器和数据库资源使用情况是否合理

10、已知链路、接口性能比较慢，我需要知道瓶颈在那里

目标：找到链路、接口体系上的薄弱点（可优化内容）

二、压测场景

业务模型的调研和构建是我们压测前期工作中最为核心的一个环节，业务模型的创建要以实际生产环境系统业务操作模式为依据，只有模型符合实际的生产业务使用模式，性能测试的结果才能真实有效的反应上线后系统的性能情况，业务建模好坏直接决定性能测试执行的成功与否，也就是我们所说的压测模型

业务建模的过程中要分析清楚三件事情：

1、产生流量场景有哪些？如何选择需要压测的场景？

2、各场景和交易之间流量如何分配和设计？

3、要达成测试目标需要构造铺地数据需要多大的量，这些铺地数据该如何分配和部署；另外需要业务模型设计数据，数据要如何分配和构造

其实要做的就是在了解清楚业务并在其基础上完成：业务模型、流量模型及数据模型。

1、业务模型

一般从业务运营视角、技术运营视角、线上问题分析以及测试经验四个维度进行收集、整理和提炼：

业务运营：从实际业务应用的角度收集用户实际的使用情况和业务增长的趋势，比如我们有几个业务调用来源，平时用户使用最多的场景是那些，用户操作的高峰时段是什么时候？

技术运营：从技术运营角度去梳理我们接口实现逻辑的调用链路，比如说调度工作台线路展开查询，线路下任务低于20条的会去调异常接口，高于20条的不调异常接口；比如说查询接口实现的方式，走缓存还是走数据库；

线上问题：根据用户反馈和线上问题的收集，结合线上问题修复的方式；比如说一线反馈xxx操作会感知响应比较慢，研发在优化这个的时候会覆盖哪些用户操作场景

测试经验：根据测试经验来完善业务模型

2、流量模型

在业务场景确定后，就要思考各个场景和交易之间流量如何分配？。

生产环境的用户操作场景比较复杂的，请求报文的大小和请求路径也各不一样，使用单一的请求报文进行压测是不合理的，在流量模型分析的过程中有两种思考方式。即用户行为模型和系统业务模型。

用户行为模型：通过描述高峰时期用户行为特点，通过对用户行为调研分析，归纳总结出用户行为模型。比较常见的就是现在的流量录制，在业务高峰时间录制业务流量，然后进行流量回放，优点是实现起来比较简单，缺点是录制的流量用户行为较难统计分析。

系统业务模型：根据高峰时期系统业务特点，通过系统日志、数据埋点等方式获取高峰时段系统业务流量，获悉用户的主要流量行为，然后通过自己编写脚本和配置流量占比的方式来实现，优点是用户的流量占比比较清晰，缺点是要有数据的人工归类分析过程

3、数据模型

设计完成业务模型和流量模型，还要清楚需要多少基础数据（也叫铺地数据），铺底数据目的是测试时尽可能的与线上保持一致（至少数量分布一致），不管是哪类数据库，对于不同体量的数据，所走的查询器选择都是不一样的。几百行的数据走全表扫描肯定比走索引要好，但如果是几百万行呢？这方便需要我们具体地做评估。一般来说数据量要按照实际生产环境的数据量为多少为基础，在性能测试环境做等量代换。

总结：多少用户（WHO）在什么时间或者持续多长多久（When），在多大的数据量的基础上（How much），完成了什么业务（What），最终需要关注怎样的指标（How）。

举例：

单接口压测（调用方式不同）：

1、默认页面打开自动查询，查询每页默认20条记录，也是最大的用户形式

2、通过接口调用，接口每页最大返回条数是1000条

单接口缓存压测：