今天填一下之前的坑，前文性能测试误差对比研究（一）中，我对几种比较常见的性能测试误差来源，进行了对比测试。效果还是不错的，基本的结论都是非常清晰的。
今天我继续分享剩下几种性能测试误差来源对性能测试误差影响，以及定量测试其中的影响程度。
测试脚本
由于 FunTester 已经优化了性能测试框架软启动的问题，总体测试的时间会比较长，所以我这里简单实现了一个简化统计，在测试过程中表现还是很不错的。分享一下Groovy脚本：
package com.funtester.groovy
import com.funtester.frame.SourceCodeimport com.funtester.utils.Time
import java.util.concurrent.CountDownLatchimport java.util.concurrent.atomic.AtomicInteger
/** * 结束控制 */class FunTester extends SourceCode {
static Vector<Long> costs = new Vector<>()
static CountDownLatch countDownLatch;
private static final int thread = 20//线程数
private static final int times = 50//单线程次数
private static final AtomicInteger excutetimes= new AtomicInteger()
static void main(String[] args) { countDownLatch = new CountDownLatch(thread)
def s = Time.getTimeStamp() thread.times { new FunTest().start() } countDownLatch.await() def e = Time.getTimeStamp() def rts = [] costs.each {rts << it} def rt = rts.sum() / rts.size() double qps = thread * 1000.0 / rt double qps2 = excutetimes.get() * 1000.0 / (e - s) def deviation = com.funtester.frame.SourceCode.getPercent(Math.abs(qps - qps2) * 100 / Math.max(qps, qps2)) output("通过平均时间计算QPS:$qps") output("通过总时间计算QPS:$qps2") output("误差是:$deviation")
}
private static class FunTest extends Thread {
@Override void run() { times.times { def start = Time.getTimeStamp() sleep(0.1) def end = Time.getTimeStamp() excutetimes.getAndIncrement() costs.add(end - start) } countDownLatch.countDown() } }}
复制代码
有些小伙伴表示Groovy脚本比较晦涩难懂，下面是Java版本：
package com.funtester.java;
import com.funtester.frame.SourceCode;import com.funtester.utils.Time;
import java.util.ArrayList;import java.util.List;import java.util.Vector;import java.util.concurrent.CountDownLatch;import java.util.concurrent.atomic.AtomicInteger;
/** * 结束控制 */public class FunTester extends SourceCode {
static Vector<Long> costs = new Vector<>();
static CountDownLatch countDownLatch;
private static final int thread = 20;//线程数
private static final int times = 50;//单线程次数
private static final AtomicInteger excutetimes = new AtomicInteger();
static void main(String[] args) throws InterruptedException {
countDownLatch = new CountDownLatch(thread);
long s = Time.getTimeStamp(); for (int i = 0; i < thread; i++) { new FunTest().start(); } countDownLatch.await(); long e = Time.getTimeStamp(); List rts = new ArrayList(); costs.forEach(f -> rts.add(f)); long count = rts.stream().count(); long rt = count / rts.size(); double qps = thread * 1000.0 / rt; double qps2 = excutetimes.get() * 1000.0 / (e - s); String deviation = getPercent(Math.abs(qps - qps2) * 100 / Math.max(qps, qps2)); output("通过平均时间计算QPS:" + qps); output("通过总时间计算QPS:" + qps2); output("误差是:" + deviation);
}
private static class FunTest extends Thread {
@Override public void run() { for (int i = 0; i < times; i++) { long start = Time.getTimeStamp(); SourceCode.sleep(0.1); long end = Time.getTimeStamp(); excutetimes.getAndIncrement(); costs.add(end - start); } countDownLatch.countDown(); }
}
}
复制代码
首先跑一个 20 线程，50 次数的基准测试，结果如下：
INFO-> 当前用户：fv，工作目录：/Users/fv/Documents/workspace/funtester/,系统编码格式:UTF-8,系统Mac OS X版本:10.16INFO-> 通过平均时间计算QPS:193.4142449591INFO-> 通过总时间计算QPS:189.5375284306INFO-> 误差是:2%
Process finished with exit code 0
复制代码
异步结束
上面的例子是一个sleep固定时间的，然后执行完所有的循环次数以后再通知结束，等所有线程执行结束之后再进行数据统计工作。
概率上讲所有的线程应该是会在某一个很短的时间间隔内结束执行，但是实际情况中大多都不是这个理想模型。很多因素，包括接口执行时间分布不均匀、各个线程执行任务并不一致、异常处理消等等原因会导致各个线程在结束时间点上差别比较大，导致误差偏大，当然在固定时间请求模式中不存在这个问题。
下面是我修改run()方法内容。
@Override void run() { times.times { def start = Time.getTimeStamp() sleep(0.1 + getRandomDouble() / 3) def end = Time.getTimeStamp() excutetimes.getAndIncrement() costs.add(end - start) } countDownLatch.countDown() }
复制代码
在 20 线程，50 次数的情况下测试数据如下：
INFO-> 当前用户：fv，工作目录：/Users/fv/Documents/workspace/funtester/,系统编码格式:UTF-8,系统Mac OS X版本:10.16INFO-> 通过平均时间计算QPS:75.8204722857INFO-> 通过总时间计算QPS:70.2641933671INFO-> 误差是:7.33%
Process finished with exit code 0
复制代码
明显误差开始增加了。下面测试增加线程到 40，测试结果如下：
INFO-> 当前用户：fv，工作目录：/Users/fv/Documents/workspace/funtester/,系统编码格式:UTF-8,系统Mac OS X版本:10.16INFO-> 通过平均时间计算QPS:148.2708834906INFO-> 通过总时间计算QPS:130.3101381287INFO-> 误差是:12.11%
Process finished with exit code 0
复制代码
误差持续增加，下面我保持 20 线程，增加次数到 100，结果如下：
INFO-> 当前用户：fv，工作目录：/Users/fv/Documents/workspace/funtester/,系统编码格式:UTF-8,系统Mac OS X版本:10.16INFO-> 通过平均时间计算QPS:73.8407918687INFO-> 通过总时间计算QPS:68.8373373718INFO-> 误差是:6.78%
Process finished with exit code 0
复制代码
误差反而降下来了，这也是符合概率学中，实验次数越多，实验结果越是趋近于理论值。
结论比较明显了，在随机不确定请求耗时的情况下，增加线程会增加误差，增加请求次数会降低误差。总体讲在多线程，低请求次数中，QPS 的误差还是比较大的，在性能测试中，应当增加请求次数来平衡这个误差。
下面我引入 private static boolean KEY = false//控制线程结束来控制所有的线程一起结束。
重写run()方法如下：
@Override for ( int i in 0..<times ) { def start = Time.getTimeStamp() sleep(0.1 + getRandomDouble() / 3) def end = Time.getTimeStamp() excutetimes.getAndIncrement() costs.add(end - start) if (KEY) break } KEY = true countDownLatch.countDown()
复制代码
这里Groovy没有跳出循环的机制，所以只能换成for循环形式了，这是我始料未及的，差点翻车了。
同样在 40 线程，50 次数的情况下，测试结果如下：
INFO-> 当前用户：fv，工作目录：/Users/fv/Documents/workspace/funtester/,系统编码格式:UTF-8,系统Mac OS X版本:10.16INFO-> 通过平均时间计算QPS:149.5957705046INFO-> 通过总时间计算QPS:145.44INFO-> 误差是:2.78%
Process finished with exit code 0
复制代码
可以看到，误差明显下降了不少，QPS 反而增加了一些，哈哈。这里不多讲了。
日志打印
下面分享一下性能测试中对日志记录对性能测试的影响，这里我用的log4j2日志组件，没有使用异步日志打印，所以影响应该会相比异步打印稍大一些。
首先分享一个数据，在我使用自己封装的moco服务的测试中，关闭日志情况下QPS可以达到将近 3 万，在开启日志记录的情况下QPS只能到 5 千。有兴趣的童鞋可以翻看以前的文章：
回到正题，我继续采用固定sleep的模型进行测试，run方法如下：
@Override void run() { times.times { def start = Time.getTimeStamp() sleep(0.1) 10.times { logger.info(text) } def end = Time.getTimeStamp() excutetimes.getAndIncrement() costs.add(end - start) } countDownLatch.countDown() }
复制代码
添加属性 private static Logger logger = LogManager.getLogger(FunTester.class);和 private static String text = getManyString("FunTester",100)。
在 20 线程，50 次记录的模式下，测试结果如下：
INFO-> 通过平均时间计算QPS:186.3620268734INFO-> 通过总时间计算QPS:182.5150574922INFO-> 误差是:2.06%
复制代码
误差虽然不大，但是对比基准测试的结果：
INFO-> 通过平均时间计算QPS:193.4142449591INFO-> 通过总时间计算QPS:189.5375284306INFO-> 误差是:2%
复制代码
明显QPS有了较大的影响，所以这个题目的研究内容并不仅仅是误差，还有对 QPS 的影响。下面增加线程到 40 线程，结果如下：
INFO-> 通过平均时间计算QPS:347.3654501639INFO-> 通过总时间计算QPS:339.328130302INFO-> 误差是:2.31%
复制代码
对比基准测试的 40 线程测试结果：
INFO-> 通过平均时间计算QPS:384.8059375556INFO-> 通过总时间计算QPS:380.8073115004INFO-> 误差是:1.04%
复制代码
此时QPS下降尤为明显，已经达到 10%以上了。下面继续增加循环次数到 100，看看结果如何：
INFO-> 通过平均时间计算QPS:364.3792003243INFO-> 通过总时间计算QPS:352.8581510233INFO-> 误差是:3.16%
复制代码
对比基准测试结果：
INFO-> 当前用户：fv，工作目录：/Users/fv/Documents/workspace/funtester/,系统编码格式:UTF-8,系统Mac OS X版本:10.16INFO-> 通过平均时间计算QPS:388.6098454304INFO-> 通过总时间计算QPS:384.6893633391INFO-> 误差是:1.01%
Process finished with exit code 0
复制代码
QPS 有所升高，但是误差稍微有些增加。大致结论如下：少量（远未达到硬件 IO 瓶颈前）日志记录，在QPS方面影响较大，甚至能达到10%以上，随着线程增加，QPS降低越来越大，随着请求次数增加，QPS下降趋势减缓。在误差方面，增加日志记录，自然会导致QPS误差变大。主要是因为打印日志消耗时间，算在总时间内和算在请求耗时的区别。案例中我是算在了请求时间内，所以算出来的误差很低，但是如果将日志打印计算在请求时间之外，误差将会很大。
所以在以后的性能测试过程中，尽量避免记录日志。
Have Fun ~ Tester ！
FunTester，一群有趣的灵魂，腾讯云 &Boss 认证作者，GDevOps 官方合作媒体。
点击阅读阅文，查看 FunTester 历史原创集合
评论