【转自网络】性能测试用户模型
概述在性能测试过程中，很重要的一个部分就是评估待测系统在一定压力下的性能表现。比如系统上线后，真实的性能到底如何？两年后系统的使用用户增加后，性能又如何？这些都是性能测试中，项目相关人最关心的问题。所谓的性能表现，说的更直观一些，其实就是用户体验。用户不会在乎系统的处理能力是多少、吞吐量是多少，他们能够感受到的只是系统能否处理他们的请求、处理的速度有多快。这里提到的一个关键词是“一定压力”，这个压力指的是系统在预期的线上场景中所承受的压力。只有准确的定义和模拟预期的压力，才有可能获取到实际场景中真实有价值的用户感受，而不是那些只存在理论意义的数据指标。压力是由用户产生的，那么如何准确的定义和模拟用户的行为，也就成了问题的关键。以往的性能测试中，用户的具体行为是由性能测试人员敲定的。性能测试以外的人员，大概只能了解性能测试会模拟多少个用户，针对哪些模块或者功能做测试，更进一步的还会明确虚拟用户的工作量和所需的时间。这些内容一般也就是性能测试方案中所描述的测试场景。但这些信息仍然无法准确的对压力进行描述。比如同是100个虚拟用户，每个人需要在1小时内完成一定量的工作，如果这些用户在时间分布上是一个接一个的使用系统，那么对服务器来说，可能就和单个用户没有区别。再比如同是100个用户在线，每个人间隔30秒操作一次和间隔60秒操作一次，压力可能就会相差一倍。而这些直接影响到测试结果和有效性的细节，测试执行人以外的人员一般无法了解，有时恐怕性能测试人员自己都不明确，完全靠制作脚本过程中发挥，导致测试过程比较随意，测试结果的有效性也大打折扣。有可能对测试结果产生影响的因素主要包括：活跃用户数量、用户活跃时间、用户操作频率（思考时间）、用户操作路径、系统访问量随时间分布、各页面访问量（工作量）分布等等。对这些因素考虑的越准确，测试的结果才会越有效。本文正是试图对上述内容进行标准化的描述，制定一种规范的分析方法。通过此方法，让测试人员更准确的设计测试场景，让其他人员有机会了解到具体的测试过程，并且能对其进行监督和检查。最终达到“不同测试人员应该测出相同的测试结果”这一目的，也就是获得准确有效的性能测试结果。本方法无法取代数据分析，而是应该作为其的一个应用，可以直观有效的对用户行为以及系统的压力做出描述，测试人员、开发人员、管理者和业务人员等所有项目相关人都会从其中受益。术语定义虚拟用户（Vuser）性能测试中模拟的用户，用户的行为由测试脚本定义。在线用户（或活跃用户）一个时间段内，与服务器保持交互的用户，也称为活跃用户。需与论坛或者QQ上常见的“在线人数”定义区分，该类系统的在线用户不一定是活跃用户，在线只是一种状态。但在业务类系统中，一般只考虑活跃用户，可认为与在线用户通用。相对并发用户类似活跃用户，表示单位时间段内与服务器保持交互的用户，这些用户在理论上有同一时刻（即绝对并发）进行操作的可能（对这种可能性的度量称为并发度）。相对并发的说法主要是为了区分绝对并发，尽量避免使用“并发”这个容易引起歧义的术语。绝对并发用户同一时间点（严格的说是足够短的时间段内）与服务器进行交互的用户，一般通过测试工具提供的并发控制（如LR的集合点）实现。并发度在一个时间点上，可能与服务端进行交互的用户的数量，它表达的是“绝对并发”的一种可能性。思考时间用户每个操作后的暂停时间，或者叫操作之间的间隔时间，此时间内是不对服务器产生压力的。活跃时间用户与服务器进行交互的持续时间。基础数据此分析方法依赖于以下基础数据，基础数据的详尽程度将直接决定此模型的有效性和准确性：1、系统的访问量随时间分布关系。可以直观的观察到使用压力是如何分布在一天（一段时间）之间的，通过此数据来构建性能测试场景。用户的活跃时间（与系统进行交互的时间）。用户的活跃时间是进行系统并发度估算的基础。比如已知系统的使用压力集中在4个小时内（平均分布），此期间访问量为100，用户的平均活跃时间是30分钟，那么并发度估算为100/(4h/30min)≈12.5。2、用户操作路径。完成一个典型业务可以通过哪些途径？更有效提高测试覆盖率。3、系统的访问分布。哪些页面是用户经常访问的，用以选取性能测试将覆盖的功能点。也可以通过此数据来对用户的工作量进行估算，这是确定系统压力很重要的一项信息。4、页面停留时间（请求间隔时间）。属于测试的细节，可以使脚本更加真实的模拟用户操作。注：此类数据可能需要专门采集才能获取。性能数据的采集参见另一文档《性能数据采集分析系统.docx》。压力的度量1、TPS：每秒钟（关键）事务数。2、并发度：单位时间段（一般为用户活跃时间）内，理论上有可能发生绝对并发的用户数。3、活跃用户数：一段时间内与系统进行交互的用户数量。4、单位时间工作量：比如一小时或一分钟内完成的工作量。用户模型用户的行为主要分为两部分来考虑，一是针对一类特定角色的用户，二是针对整个用户群体。通过一组图形来描述用户的行为、操作路径以及系统各部分的使用率，此种方法称之为用户模型（或者系统使用模型）。用户模型表示的是系统的使用场景，更准确的说是一个特定时间段的系统使用情况。操作路径是用户模型的核心，通过用户模型，每个人都可以轻易的理解系统是如何被使用的。基本图形：http://www.uml.org.cn/Test/images/2013060411.jpg
数量或百分比http://www.uml.org.cn/Test/images/2013060412.jpg用户类型http://www.uml.org.cn/Test/images/2013060413.jpg动作类型http://www.uml.org.cn/Test/images/2013060414.jpg同步点（集合点）http://www.uml.org.cn/Test/images/2013060415.jpg选择或数据http://www.uml.org.cn/Test/images/2013060416.jpg条件http://www.uml.org.cn/Test/images/2013060417.jpghttp://www.uml.org.cn/Test/images/2013060418.jpg循环http://www.uml.org.cn/Test/images/2013060419.jpg循环http://www.uml.org.cn/Test/images/20130604110.jpg分支http://www.uml.org.cn/Test/images/20130604111.jpg
合并扩展图形：http://www.uml.org.cn/Test/images/20130604112.jpg随机顺序访问应用示例：下面以一个在线书店为例，假设我们已经得知以下信息：1、有4种类型的用户：新用户、已注册用户、供应商、管理员。2、所有的用户都从主页开始。3、新用户和已注册用户可以做如下操作：1）通过标题、作者、关键字搜索图书2）添加到购物车4、新用户可以注册成为会员。5、会员可以登录、修改帐户信息、下订单、查看订单状态6、管理员和供应商必须从主页登录，然后进入管理页面。7、管理员可以添加新书、查看订单状态、更改订单状态、取消订单8、供应商可以查看库存和销售的统计报表。首先为每个类型的用户分别绘制模型图。根据已知数据来制定用户的操作路径、操作比例。http://www.uml.org.cn/Test/images/20130604113.jpg新用户解释：假设有100个新用户，其中33个会进行多次搜索，有5个用户会因为没有找到相关书目而退出系统。其他的95个用户都可以找到所需书目并将其放入购物车中，这时会有20个用户没有创建账号直接退出，其他的75个用户都选择了创建账号。之后有45个用户成功提交了订单，另外30个只是保存了订单。最后有60个用户是通过直接关闭浏览器退出系统的，选择注销的只有15个。http://www.uml.org.cn/Test/images/20130604114.jpg会员解释：100个会员，有一半是进行买书流程的，还有一半是进入账号进行信息维护和查看订单状态。http://www.uml.org.cn/Test/images/20130604115.jpg管理员解释：管理员操作都需要从登录管理页面开始，操作最多的是查看订单状态（50％），其中有一半的订单需要修改，增加书目和取消订单都占25％。http://www.uml.org.cn/Test/images/20130604116.jpg供应商解释：供应商也需要从管理员页面登录。供应商用户只能进行查看报表操作，可以选择多种不同类型的报表进行统计，平均每个用户需要查看3种报表。确定了各个用户角色的模型后，再根据各用户所占的比例，合并成整体用户群的使用模型。http://www.uml.org.cn/Test/images/20130604117.png解释：从整体考虑，新用户占20％，会员70％，管理员4％，供应商6％。不同类型的用户通过不同颜色来标识，所有的用户都需要从主页开始访问系统。此模型反应了系统的整体使用情况，也即测试场景需要模拟的压力。而测试场景中具体要执行的测试脚本，则主要根据各类型用户各自的用户模型来开发。在绘制出模型图后仍然需要不断的同技术人员、业务人员沟通讨论，找出模型中不合理或者遗漏之处，并逐步完善，直到共同确认。甚至是测试结束后，也需要根据系统实际运行环境来不断调整，为后续的测试提供更准确的模型。但只依靠模型图仍然不能有效的对压力进行描述，可以发现前文提到的种种基础数据信息目前还未得到使用，如用户操作的间隔时间、页面上需要输入的数据等等。没有模型，这些数据是缺少实用意义的；没有数据，模型图也无法得到应用。基础数据分析以下图表均取自互联网，本文是在“已经获取所需数据”的前提下，讲解性能测试的一些设计思路。至于如何才能取得这些数据，将在后续的文章中说明。http://www.uml.org.cn/Test/images/20130604118.pnghttp://www.uml.org.cn/Test/images/20130604119.jpg系统访问量分布由系统的日访问量分布图，可知系统的访问压力集中在哪个时间段内。系统的压力是在一天中平均分布的，还是集中在某几个更小的时间段内。根据此信息，我们对测试场景的时间进行设计，如从分布图中明显看出每天的大部分访问量集中在9：00～11：00和14：00～16：00两个时段，那么就可以设计2小时内完成一半访问量的测试场景。http://www.uml.org.cn/Test/images/20130604120.jpg用户的平均活跃时间用户活跃时间，是指用户一次使用系统的时长，可用来指导测试脚本的设计，即每个虚拟用户脚本应该在多长时间内执行完。由系统访问量分布和用户活跃时间两个数据，可以对系统使用的并发度进行估算。比如已知系统在2个小时内有200访问量，且分布接近于平均，用户的平均活跃时间为30分钟，那么此时间段的并发度应为：200*30/120=50。这里并发度50传递的信息是，在一个用户活跃周期内，总共会有50个用户与服务端进行交互（即相对并发）。也就是说任意时间点，最大的绝对并发可能性是50，当然实际可能远低于此，可以根据业务特点再乘以相应比例进行估算。在性能测试时，可以依据此数据设计系统高峰期压力的测试场景。比如我们已知，系统压力最大时，单位时间段内活跃用户有100人（并发度100），那么这种压力场景，就可以以用户平均活跃时间为测试时间段，启动100个虚拟用户并在该时间段内完成各自的工作量。页面停留时间即请求之间的间隔（思考）时间，如在编辑页面上停留多久才会点提交按钮。如果无此数据，性能测试脚本只有运行时长是有数据（活跃时间）支撑的，脚本中的各请求之间的思考时间，只能通过常规判断和猜测，由性能测试人员自己掌控。收集到此数据后，性能测试脚本会更加符合真实用户的操作习惯，更加接近真实用户。http://www.uml.org.cn/Test/images/20130604121.jpg热点模块（页面）分析系统各模块或页面的访问频率，可以用来检查性能测试是否设计了足够的覆盖、是否遗漏的用户频繁使用的功能，并据此对用户模型进行完善。此外，此数据可用来分析各模块或功能所涉及到的工作量，如每天平均完成多少次提交操作、多少次统计操作。这对于确定系统的使用压力有很大的作用。场景数据最后，综合所有数据，为特定测试场景制订出成如下表格：
总体
场景名称100用户负载场景
场景描述模拟系统使用高峰期时，在2小时左右有100用户的访问
场景时长2h
场景加载策略每4.5分钟加载5个虚拟用户。因为要在2小时内完成100用户的访问，而每个用户的运行时间在30分钟左右，那么在1小时30分钟时就最后一批用户就要开始访问系统，即90分钟内加载100个用户。
虚拟用户数100
用户模型见XX用户模型
虚拟用户运行时间30min
平均思考时间30~60s
场景并发度25。 虚拟用户数*(虚拟用户运行时间/场景时长)
操作说明
登录Think Time平均8s，最小5s，最大20s
Pass/Fail 条件如果失败，重试一次，依然失败就中止。
数据每虚拟用户使用不同的账号
...
可以说，用户模型表达的是，系统运行中的压力是如何分布的。而场景数据表达的是，要给系统施加多大的压力。只有结合用户模型和场景数据两部分，才能构造出一个确定的负载场景。如果到这里都已经做好，并且经过了技术负责人和业务负责人的确认，那么接下来要做的就是按照设计来实现测试脚本了。
:handshake
页:
[1]
