LoadRunner学习笔记(二)

一、 测试用途
1. 是否快速响应用户需求。
2. 是否能处理预期用户负载,并有盈余能力。
3. 是否能处理业务所需的事务数量。
4. 是否在预期和费预期用户负载下,应用程序是否稳定。
5. 是否确保用户在使用软件时获得积极的体验。

二、 原理
1. 通过agent进程监视各种协议的Client与Server端的通讯,通过C语言函数来录制脚本,所以只要是LoadRunner支持的协议就不存在捕捉不到。
2. loadRunner使用虚拟用户Vuser代替实际用户。这些Vuser模拟实际用户的行为来运行实际应用程序。
一个计算机上可以运行多个Vuser,因此LoadRunner减少了对硬件的需求。
LoadRunner Controller可以从一个单一的控制点简单有效的控制所有Vuser。
LoadRunner联机监视应用程序的性能。
LoadRunner在测试过程中会自动记录应用程序的性能。
LoadRunner可检查出性能有延迟的地方:网络或者客户端延迟、CPU性能、IO延迟、数据库锁定和数据库服务器上的其他问题。
LoadRunner监视网络和服务器资源以帮助改进性能。

三、测试过程
定制负载测试计划-》开发测试脚本-》创建运行场景—》执行测试-》监视场景-》分析测试结果
1.分析应用程序
a确定系统的组成。系统中所有组件,以及相互之间如何通讯。
b描述系统配置(根据系统组成图)。
 预计有多少用户连接到系统、
 客户机的配置情况(CPU、内存、网卡、操作系统、软件工具等)
 服务器使用什么类型的数据库以及服务器的配置情况
 客户机和服务器之间如何通讯
 什么组件会影响响应时间指标
 通讯装置(网卡和路由器)的吞吐量是多少?每个通讯装置能处理多少并发。
c分析最普通的使用方法
 了解系统最常用的功能:确定哪些功能要优先测试、什么角色使用该系统、每个角色多少人、 每个角色的地理分部情况,从而预测负载最高峰出现的情况。

四、使用概述
Mercury LoadRunner包含很多组件,最常用组件VuGen(虚拟用户生成器Virtual User Generator)、Controller、Analysis。
Mercury VuGen——创建脚本(通过录制应用程序中典型最终用户执行操作来生成虚拟用户Vuser。VuGen将这些操作录制到自动虚拟用户脚本中,以便作为负载负载的基础)。
Mercury LoadRunner Controller——设计和运行场景(用来创建、管理和监控负载测试的中央控制台。使用Controller可以运行用来模拟真实用户执行操作的脚本,并可以通过让多个Vuser同时执行这些操作在系统中创建负载。)
Mercury Analysis–分析场景(提供深入的性能分析信息的图标和报告,标识和确定应用程序中的瓶颈,并确定需要对系统进行哪些更改改提高系统性能。)

VuGen脚本分为3个部分:vuser_init/vuser_end和Action。其中vuser_init/vuser_end只能存在一个,不能再分割。而Action还可以分割成无数多个部分。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值