性能测试的分类

性能测试中最常见的要属于负载测试、压力测试了。此外,并发测试在经常被提及到。

根据大多数人总结的通用法则,可将性能测试主要分为以下几种方法:

1、验收性能测试

2、负载测试

3、压力测试

4、配置测试

5、并发测试

6、可靠性测试

7、失败回复测试

针对以上几种类型,分别阐述以下对应的认知:

 

一、验收性能测试

定义:通过模拟产生运行时的业务压力量和不同的使用场景进行组合。进而测试系统的性能能不能满足生产的性能要求。

目的:验证系统是否具有系统最初定下的性能能力。

过程:确定用户场景、确定需要关注的性能指标、测试执行、测试分析结果。

开展时机:确定了测试场景、系统运行环境,包括不限于硬件设备、软件环境、网络条件、基础数据等时开展。

前提条件:了解了被测系统的典型场景(可以理解为参与测试的业务场景)、确定了性能测试目标(多描述为:系统在XX个并发的条件下进行A业务操作(单个或者多个),响应时间不超过X秒)。

 

二、负载测试

定义:在被测系统上不断增加压力,知道性能指标超过预定指标或某种资源使用已经达到饱和状态这种请款下的测试。

用途:找到系统的处理极限时的瓶颈,为系统调优提供数据支撑,了解系统的性能容量,或者比较调优前后的性能差异。

过程:检测--加压--性能指标超过预期

结果描述:如在给定条件下最多允许120个并发用户访问;在改定条件下最多能够在一个小时内处理2100比业务。

目标描述:在给定条件下响应时间不超过10秒,CPU平均使用率不超过70%等

前提条件:已知且确定的系统环境,测试典型场景,预期目标。

注意事项:因为预期目标是建立在一定系统环境基础上提出的,所以在测试开始之前,一定要确定被测系统的系统环境,目标测试场景,且是对目标测试场景进行加压。这样得出的结果才与实际预期目标具有可比性。

 

三、压力测试

定义:当系统某一项或者多项指标在饱和状态下进行的性能测试方法

目的:检查系统在某种压力情况下时应用的性能表现,重点在于有无出错信息产生,系统的综合处理能力。

用途:多用于测试系统的稳定性。

现实方式:通过不断增加访问压力(如增加并发的用户数量等)使系统的资源保持在一个较高的使用水平。

目标描述:如CPU使用率达75%以上;内存使用率达70%以上;JVM的客用内存;数据库的连接数等

 

四、配置测试

定义:通过对被测系统软件硬件环境的调整,了解各种不同环境对系统的性能的影响。

目的:通过测试获得不同因素对系统性能的影响情况,然后对比获得最佳的性能表现,进而采取对应的最佳配置方案。

用途:多用于性能调优和规划能力,如何调整才能获取最佳的扩展性。

前提条件:需要了解系统环境、操作步骤、压力条件下进行。

实行过程:在每次执行测试时更换、扩充硬件设备,调整网络环境,调整应用服务器、中间件和数据库服务器的参数配置等,比较每次的测试结果,从而确定各个因素对系统性能的影响,最后找出影响系统的最大因素,确定最佳的配置方案。

注意:此处的配置测试与功能中所说的配置测试不一样。区别在于:功能中的配置测试是为了验证软件在不同的软硬件环境中能否正常运行。

 

五、并发测试

定义:通过模拟多用户实现并发访问的,测试多用户访问同一应用、同一模块或者数据记录时是否存在死锁或者其他性能问题。

目的:发现系统中隐藏的因并发而会触发的问题,主要有以下但不限于:

问题类别问题描述
内存问题是否有内存泄漏
是否会产生太多的临时对象
是否有太多的超过设计生命周期的的对象
数据库问题是否有数据库死锁
数据不一致问题
是否出现长事务
线程/进程问题是否出现慢SQL长时间阻死
是否出现线程/进程同步失败
其他问题是否出现资源竞争导致的死锁
是否没正常处理的异常导致系统锁死

 

实现条件:需要相关的测试工具的支持和配合,不仅仅只针对一个系统而言,同时页可以对某种架构或者设计的合理性进行。

开展时机:可以在开发的各个阶段进行。

 

六、可靠性测试

定义:通过给系统加载一定的业务压力,达到某一个预定指标后,让其应用持续运行一段时间,看在这种情况下系统能否稳定运行。多用平均无故障时间或失效率来衡量。

目的:验证系统在某种特定的处境下是否可以长期稳定的运行。

时长:正常情况下,对于大型应用而言需要在峰值压力下持续2~3天。

衡量条件:让系统处于较大压力下进行长时间的测试,如果系统不出现问题或不出现不好的征兆,基本上可以说明系统在当前条件下具备长时间稳定运行的要求。

 

七、失效恢复测试

定义:当系统某一部分出现故障时,是否还能支持所有用户的业务执行,已经在某种情况下预期的恢复技术是否可以发挥其作用 ,对是对有冗余备份或负载均衡的系统设计的。

目的:1、验证系统局部故障时,系统是否还能继续使用。

   2、得出在某种情况下系统还能支持多大的用户访问并发数,采取何种有效的保护措施等

限制条件:对数只对有明确要求的系统才会进行此类测试。对于没有给出明确的需要持续运行指标的系统基本上都不需要做此类的测试。

 

大概就这么多吧,说的不对的麻烦大神及时指出,期待跟着大神的脚步一起起飞。

转载于:https://www.cnblogs.com/Zhan-W/p/10091172.html

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。如若转载,请注明出处:http://www.mzph.cn/news/484607.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

yolov5踩坑记录:标签错位(PIL读取图片方向异常)

PIL踩坑记录:读取图片方向异常(yolov5标签错位) 奇怪的现象 今天用 YOLOv5 做项目时,对数据集的标记出现了奇怪的现象,在下述测试用例中可明显看到,标记框偏离了物体,故发文阐述原因和解决方法…

理解与理论:人工智能基础问题的悲观与乐观

来源:筑土为坛梅剑华,男,1980年生,湖北秭归人,山西大学哲学社会学院教授,博士生导师,先后赴美国罗格斯大学、匹兹堡大学、奥地利萨尔茨堡大学等访学,研究方向是语言哲学与心灵哲学、…

设计模式系列 - 原型模式

所谓原型模式是指为创建重复对象提供一种新的可能。 介绍 当面对系统资源紧缺的情况下,如果我们在重新创建一个新的完全一样的对象从某种意义上来讲是资源的浪费,因为在新对象的创建过程中,是会有系统资源的消耗,而为了尽可能的节…

图像二值化(Image Binarization):平均值法、双峰法、大津算法(OTSU)

图像二值化(Image Binarization):平均值法、双峰法、大津算法(OTSU) 编程实现图像的二值化,分析不同的阈值对二值化图像的影响。 问题描述 传统的机器视觉通常包括两个步骤:预处理和物体检测…

全球最快AI超级计算机开动,每秒4百亿亿浮点运算!正拼接最大宇宙3D地图

来源:venturebeat宇宙是在不断膨胀的吗?是的!而令宇宙不断膨胀的「罪魁祸首」就是暗能量。作为是宇宙中最神秘的物质,它看不见摸不着,为了捕捉它,人类在地球上建立了许多相关实验,但都成效甚微。…

基于YOLOv5的中式快餐店菜品识别系统

基于YOLOv5的中式快餐店菜品识别系统[金鹰物联智慧食堂项目] 摘要 本文基于YOLOv5v6.1提出了一套适用于中式快餐店的菜品识别自助支付系统,综述了食品识别领域的发展现状,简要介绍了YOLOv5模型的历史背景、发展优势和网络结构。在数据集预处理过程中&am…

大数据学习——虚拟机准备(改主机名)

1 vi /etc/sysconfig/network把HOSTNAME改为mini2hostname mini2exit2 vi /etc/udev/rules.d/70-persistent-net.rules删除eth0,把eth1改为eth03 vi /etc/sysconfig/network-scripts/ifcfg-eth0删除uuid把bootprotodhcp改为bootprotonone把hwaddr删掉把IPADDR改为19…

谋局科技创新:两院院士大会释放重要信号

来源:经济参考报作者:班娟娟、钟源从坚持把科技自立自强作为国家发展的战略支撑,到加快建设科技强国,实现高水平科技自立自强;从加强原创性、引领性科技攻关,坚决打赢关键核心技术攻坚战,到强化…

图像加减运算

图像的加减运算 原创文章:转载请注明出处 ©️ Sylvan Ding 图像相加 图像相加常常被用来进行图片降噪处理。令 g(x,y)g(x,y)g(x,y) 是无噪声理想图像 f(x,y)f(x,y)f(x,y) 被高斯加性噪声 η(x,y)\eta (x,y)η(x,y) 污染后的图像,即 g(x,y)f(x,y)η…

Java学习路线图

Java的学习路线图,整理以备自己学习和温习。 1.Java基础 具体内容: 1. 编程基础(开发环境配置、基础语法、基本数据类型、流程控制、常用工具类) 2. 面向对象(继承、封装、多态、抽象类、接口、包、重写、重载&#xf…

随机森林是我最喜欢的模型

来源:机器之心TensorFlow 决策森林 (TF-DF) 现已开源,该库集成了众多 SOTA 算法,不需要输入特征,可以处理数值和分类特征,为开发者节省了大量时间。在人工智能发展史上,各类算法可谓层出不穷。近十几年来&a…

拉普拉斯锐化[原理及Python实现](含拉氏标定、拉普拉斯标定)

拉普拉斯锐化 [原理及Python实现](含拉氏标定、拉普拉斯标定) 原创文章;转载请注明出处:©️ Sylvan Ding 锐化处理的主要目的是突出灰度的过度部分。图像锐化的用途多种多样,应用范围从电子印刷和医学成像到工业…

以太坊 方法签名

最近在工作中使用web3j调用合约,发现一个比较头疼的问题?复杂一点的合约参数多了,函数的方法签名老是出错。在这之前调用合约方法一直都是拼接合约的函数签名以及参数。为了能快速的获取每个合约的函数签名,我在思考是否便捷可行解…

训练 GPT-3,为什么原有的深度学习框架吃不消?

来源:AI前线作者:一流科技 CEO 袁进辉近年来,深度学习被广泛应用到各个领域,包括计算机视觉、语言理解、语音识别、广告推荐等。在这些不同领域中,一个共同的特点就是模型规模越来越大,比如 GPT-3 模型的参…

Canny边缘检测原理及其python实现

Canny边缘检测原理及其python实现 转载请注明出处:©️ Sylvan Ding Canny边缘检测算法 多数分割算法均基于灰度值的两个基本性质之一:不连续性和相似性。图像的边缘检测就是基于灰度的不连续性(灰度突变)来实现图像分割的。…

[bzoj4994][Usaco2017 Feb]Why Did the Cow Cross the Road III_树状数组

Why Did the Cow Cross the Road III bzoj-4994 Usaco-2017 Feb 题目大意&#xff1a;给定长度为$2N$的序列&#xff0c;$1~N$各处现过$2$次&#xff0c;$i$第一次出现位置记为$a_i$&#xff0c;第二次记为$b_i$&#xff0c;求满足$a_i<a_j<b_i<b_j$的对数。 注释&…

离奇的梦境,能够防范大脑过拟合

来源&#xff1a;混沌巡洋舰 1 )梦让我们对世界的理解不再那么简单化关于为什么大脑进化出夜间做梦&#xff1f;神经科学界提出了各种假说&#xff0c;诸如通过梦来调节情绪&#xff0c;巩固记忆&#xff0c;或梦可以帮助我们选择性的遗忘&#xff0c;对我们应对现实世界的问题…

RGB空间中的彩色图像分割原理及其python实现

RGB空间中的彩色图像分割 ⭐️ 为尊重原创性&#xff01;转载请注明出处&#xff1a;©️ Sylvan Ding’s Blog 概述 本文论述了基于欧式距离和曼哈顿距离的彩色图像分割算法&#xff0c;并用python实现了各个算法。之后将二者的优势结合&#xff0c;提出了改进后的曼哈顿…

路飞学城Python-Day171

Evernote Export 线性结构&#xff1a;python的列表操作列表是如何存储的&#xff1a;顺序存储的&#xff0c;是一块连续的内存&#xff0c;内存是一堆格子&#xff0c;列表是一串连续的编号32位机器上一个整数占4个字节数组和列表有2点不同&#xff0c;1.数组的元素类型要求是…

HarmonyOS 2面世!是没有退路还是时机成熟?中国操作系统崛起元年或已到来

来源&#xff1a;21Tech(News-21)作者&#xff1a;倪雨晴编辑&#xff1a;张星6月2日晚间&#xff0c;华为鸿蒙操作系统HarmonyOS迎来重要时刻&#xff0c;华为正式发布多款搭载HarmonyOS 2的新产品&#xff0c;包括HUAWEI Mate 40系列新版本、Mate X2新版本、HUAWEI WATCH 3系…