说到性能测试，我们到底是想谈论什么？

      任何做产品的，都希望自己家的产品，品质优，性能好，服务海量用户，还不出问题。

      任何使用产品的，都喜欢自己购买的产品功能全，性能优，不花一分冤枉钱。

      不过理想很丰满，现实很骨感。实际产品的性能与开发周期，部署方式，软硬件性能等都息息相关。所以真正提到做性能测试的场景，多数是为满足特定需求而进行的度量或调优。

      比如：

• 针对交付客户的软硬件环境，提供性能测试报告，证明对客户需求的满足

• 针对特定的性能瓶颈，进行针对性测试，为问题定位提供帮助

• 重大功能迭代，架构设计上线前的性能评估

      所有的这些场景，都隐含着对性能测试目标的确认，这一点非常重要。因为如果没有明确的测试目标，为了做而做，多数情况是没有价值的，浪费精力。

      而性能测试的目标一般是期望支持的目标用户数量，负载，QPS等等，这些信息一般可以从业务负责人或者产品经理处获得。当然如果有实际的业务数据支持，也可以据此分析得出。所以在开展性能测试之前，一定要先搞清楚测试目标。

      目标明确之后，如何开展性能测试？

      有了性能测试目标，之后还需要进一步拆解，做到具体可执行。根据经验，个人认为性能测试的执行，最终会落地到以下两个场景：

• 在特定硬件条件，特定部署架构下，测试系统的最大性能表现

• 在相同场景，相同硬件配置下，与竞品比较，与过往分析，总结出优劣

      不同的目的，做事的方式也不一样。

      第一类场景，因为结果的不确定性，测试时需要不断的探索测试矩阵，找出尽可能优的结果。

      第二类场景，首先需要理清楚，业界同类产品，到底比的是什么，相应的测试工具是什么，测试方法是什么。总之要在公平公正的条件下，遵循业界标准，得出测试结果，给出结论。

      所有的性能测试场景，都需要有明确的分析与结论，以支持上述两个场景下的目的达成。测试场景要贴近实际的目标场景，测试数据要贴近实际的业务数据，最好就用目标业务场景下的数据来进行性能测试。

      服务端性能测试到底要看哪些指标?

      不同的领域，业务形态，可能关注的性能指标是不一样的，所以为了表述精确，我们这里只谈服务端的性能测试指标。

      一般我们会用以下指标来衡量被测业务: QPS, 响应时间(Latency), 成功率，吞吐率，以及服务端的资源利用率(CPU/Memory/IOPS/句柄等)。

      不过，这里有一些常识需要明确:

• 响应时间不要用平均值，要用百分值。比如常见的，98值(98th percentile)表示。

• 成功率是性能数据采集标准的前提，在成功率不足的情况下，其他的性能数据是没意义的(当然这时候可以基于失败请求来分析性能瓶颈)。

• 单独说QPS不够精确，而应结合响应时间综合来看。比如 "在响应时间TP98都小于100ms情况下，系统可以达到10000qps" 这才有意义。

• 性能测试一定要持续一定时间，在确保被测业务稳定的情况下，测出的数据才有意义。

      要多体会下这些常识，实战中很多新手对这块理解不深，导致有时出的性能数据基本是无效的。

      为什么性能测试报告一定要给出明确的软硬件配置，以及部署方式？

      前面说到，性能数据是与软件版本，硬件配置，部署方式等息息相关的。每一项指标的不同，得出的数据可能是天差万别。所以在做性能测试时，一定要明确这些基础前置条件，且在后期的性能测试报告中，清晰的说明。

      jmeter, ab, wrk, lotust, k6 这么多性能测试工具，我应该选择哪个？

      业界性能测试数据工具非常多，不过适用的场景，以及各自特点会有不同。所以针对不同的性能测试需求，应当选择合适的性能工具。比如:

• jmeter: 主要提供图形化操作以及录制功能，入门简单，功能也较强大。缺点是需要额外安装。

• ab(apech benchmark): 简单好用，且一般系统内置了，应对简单场景已足够

• lotust：简单好用，支持python编写自定义脚本，支持多worker，图形化界面汇总性能数据。

      这里不一一介绍工具，大家有兴趣的都可以自行去网上搜索。

      其实笔者在实践过程中发现，其实绝大多数性能测试场景，都需要编码实现。所以如何优雅的结合现有的测试代码，环境，以及基础设施，来方便的进行性能测试反而是个可以考量的点。

      笔者比较认可Go+Prometheus+Kubernetes的模式。首先go语言因其独有的并发模式，上手简单等特点，在云服务，服务端程序领域使用已经非常广了，采用其写脚本，也许与被测程序天然紧密结合。且服务端程序要想很好的运维，必然有一套完整的监控告警体系，而Prometheus基本是其中热度最高的，使用范围最广的，同时我们也可以将测试程序性能数据打点到Prometheus，这样在计算QPS，成功率等指标上，非常方便。

      另外大家知道，在性能测试时，多数需要不断的调整metrix，比如并发数，worker数量等，来探测系统的性能表现，这时候如果将测试程序跑在Kubernetes上，就可以借助其能力，比如Deployment，灵活的部署和水平扩展，体验相当优雅。

      单机10000并发为什么可能不靠谱？

      我们知道使用goroutine，可以瞬间开很多并发，非常好用。于是可能就会有同学觉得用它做性能测试很方便，直接写个脚本，起超多的并发，去做性能测试。但这样真的靠谱吗？

      虽然go语言的并发，通过P，G，M模型，在调度goroutine时，比较高效，但无论如何，任何的程序执行，最终消耗的都是系统资源，测试脚本也同样。所以单机上执行的并发效果，最终会受限于，你脚本的复杂程序，也就是对CPU,IO，网络等系统资源的消耗。所以，并不是并发越多越好，一定是基于实际环境，通过不断调节并发数量，worker数量等，来达到最佳姿势。

      构建业务性能数据的持续可观测性对产品质量意义重大

      一次专项性的性能分析，可以观察当前业务的性能表现，进一步的分析性能瓶颈，为之后的改进提供帮助，意义挺大。但只这样可能不够全面，因为指不定的某次迭代，句柄没关，goutinue泄露，就会造成性能问题，如果我们没有常态化的检测手段，等上线后才发现，很明显不是我们想看到的。

所以更优雅的做法是，将性能测试常态化的持续运营，甚至可以做到每次PR触发，都自动执行性能测试，检测性能问题。

作者：大卡尔

原文链接：https://www.cnblogs.com/jinsdu/p/10646278.html