jmeter 分布式压测

1前言

JMeter是当前Web性能测试中应用最为广泛的工具，简洁强大的界面，开源免费的授权，以及广泛的插件扩展，使得JMeter能满足几乎所有Web场景的性能测试。然而，单机性能的限制，是JMeter一直以来最大的诟病。由于采用Java多线程进行并发用户的模拟，使得线程数的增加自然增加了测试机的资源消耗。一边是被测系统并发数的日益提高，一边是JMeter单机性能的掣肘。测试人员仿佛是走钢丝的杂技演员，平衡木的一边是并发数，一边是测试机的资源，战战兢兢、小心谨慎的想找到其中的平衡。

实际上JMeter提供了一种分布式压测的方法提高并发能力。本文介绍如何配置一个JMeter的分布式测试环境，并对单机和分布式的测试机资源占用情况进行对比。最后，对分布式的线程数、并发机制以及影响分布式TPS的采样信息回送模式进行说明。

2 引入JMeter分布式

JMeter是Web性能测试中的利器，基本属于Web压测的事实标准。然而使用过JMeter的测试人员会发现，当并发用户增加后，JMeter本身的性能也会急剧下降，导致无法对被测系统施加压力。

以一个实际环境为例，系统配置为：Windows7旗舰版，i5-4590单CPU4核4线程，4G内存。使用JMeter3.1，Java8进行测试。

当并发线程设置为1000时，资源占用如下图。

 

继续增加线程个数为1500，此时运行出现错误如下。

 

查看日志中的记录，可以看到由于内存不足，无法启动新的线程。

 

如果我们需要更多的线程并发，此时就必须使用JMeter的分布式压测了。

3 环境搭建

遵照JMeter官网的方法，很容易搭建适合自己需要的分布式环境。以下图的实际环境为例，测试机A作为压测的协调主机（即上述的机器），B和C作为执行机，实际完成压力的发送，被测系统位于D上。

 

具体配置过程如下。

执行机属性配置。配置执行机RMI服务的端口，修改\apache-jmeter-3.1\bin下的jmeter.properties，将如下属性修改为指定的端口：server_port和server.rmi.localport。本例中B均修改为1039，C均修改为1058。如下图：

 

启动执行机的监听服务。在执行机上启动服务，打开\apache-jmeter-3.1\bin下的jmeter-server.bat即可。启动图如下。

 

 

说明在B的1039端口，C的1058端口均启动了执行的服务，等待协调主机的命令。

协调主机属性配置。配置协调主机连接的执行机和端口，修改\apache-jmeter-3.1\bin下的jmeter.properties，将remote_hosts属性修改为需要连接的执行机IP和端口。如下图。

执行测试。启动协调主机的JMeter，通过界面进行启动。

 

如上图，通过Run->RemoteStart可以启动单个执行机，通过RemoteStart All启动全部执行机。

4 资源对比

在前面我们看到，单台如上配置的测试机在启动1500线程时会出现内存不够用的情况。那么分布式的情况如何呢？

下图为协调主机的资源占用情况。

 

其中一台执行机的资源占用情况，执行机B，Windows10教育版，i5-6500单CPU4核心4线程（3.20GHz），8G内存。

 

另外一台执行机的资源占用情况，执行机C，配置为WindowsServer 2012 R2 Standard，IntelXeon单CPU6核12线程。

 

5 注意事项

通过JMeter分布式进行压测，可以避免单机测试机资源的限制，提高压测的并发线程数。然而，还有一些细节需要注意。

线程数。JMeter分布式测试，是通过网络连接将协调主机载入的脚本分别传递（复制）给执行机，也就是说每个执行机拿到的脚本都是一致的，所以在每台执行机都会启动脚本中线程组指定的并发线程数。这样在设定脚本线程数目时，需要除以执行机个数，设定并发线程数。以上述示例进行说明，期望完成1500用户并发，在单机测试时脚本设置并发线程为1500，而在有两条执行机的情况下需要设定为750，脚本修改如下。

 

此时启动远程测试RemoteStart All后，看到界面的显示如下。

 

其中的1500/0，含义是一共启动了1500个线程，本机为0。

同步定时器的使用。我们知道，同步定时器（Synchronizing Timer）的意义在于提供瞬间压力的测试，其原理是阻塞期望个数的线程（用户），在同时进行释放，尽可能真实的模拟并发用户同时进行某操作的情况。那么在分布式并发的情况是如何的呢？我们将上述例子简化为20用户并发，即每个执行机10个线程，同时增加一个同步定时器，期望15个线程瞬间压测。脚本修改如下。

 

执行远程测试RemoteStartAll，监控结果树的情况。会发现没有任何请求被发送。这是因为，同步定时器仅在一个JVM中起作用，而分布式环境下属于两台机器的两个独立JVM，同步定时器无法生效。此时对于每个执行机，均启动了10个线程，但获得的脚本中需要等待20个线程再释放，所以两个执行机均不会向下执行。

 

JMeter官网原文如上，含义就是同步定时器阻塞线程的机制仅在一个JVM中，所以在分布式的情况下，设定的阻塞线程数不能超过每个执行机的并发线程数。本例中就是不能超过10线程。

类似的，高斯随机定时器（GaussianRandom Timer），固定定时器（ConstantTimer），均匀随机定时器（UniformRandom Timer），泊松随机定时器（PoissonRandom Timer），BeanShell定时器，BSF定时器，JSR定时器。由于是针对单线程的，所以不受分布式的影响。

当然，吞吐量定时器也是对于每个执行机独立进行限制的。也就是说，设置的吞吐量限定值，由于脚本是分别在每个执行机进行运行的，所以限定的也都是当前作用的执行机。

执行机测试结果回送方式。JMeter分布式的原理十分容易理解，在实际测试中就如同蝴蝶效应一样，一点细微的差别都会导致最终加压结果的巨大差异，从而导致最终测试结果的不确定性。在分布式测试中，执行机测试结果的回送方式影响非常大。首先我们对比一下实际的测试结果。在协调主机和执行机上的配置文件\apache-jmeter-3.1\bin下的jmeter.propertie中，修改mode=StrippedBatch，如下截图。

 

注意在协调主机和执行机上均要修改。运行测试，此时我们查看协调主机的网络使用率和测试的TPS，可以发现对于百兆网卡使用了其中7%的流量，对于被测系统的TPS为461。

此时查看其中一个执行机的网络使用情况，也在可以接收的范围内。

 

接下来，修改mode=Standard，进行同样的测试。观察协调主机的测试结果如下。

 

可以看到100M网卡已经被消耗殆尽，使用率达到97.3%，而TPS也只有92，可以想象，此时对被测系统压力是非常有限的。同样的，可以看到执行机的网络使用情况如下。

 

对比之前的结果，也是让人堪忧的。可以想象，以这样的测试环境对被测系统进行测试，得到的测试结果能有多大的可信度。

JMeter官网有非常具体的描述，主要内容如下。脚本中的监听器会根据配置将测试结果回传，默认情况下当结果产生后同步回传到协调主机。这会影响测试的最大吞吐量，JMeter提供了配置属性对此进行干预，即jmeter.propertie文件中的mode属性。该属性可以有如下取值。

Standard：测试中的采样信息产生的同时回传给协调主机。Hold：在测试结束前将采样信息保存在数组中。这种模式会占用执行机大量内存，不推荐使用。DiskStore：在测试结束前，将结果存储在硬盘文件（由java.io.temp属性指定）中。这种序列化文件会在JVM退出后删除。StrippedDiskStore：将成功的响应数据在采样信息中删除，之后使用DiskStore的方式处理。Batch：当采样信息超过指定的阈值后，同步将采样信息发送。阈值可以是采样个数阈值（num_sample_threshold）或者时间（time_threshold），这两个阈值可以在执行机的jmeter.propertie文件中指定。num_sample_threshold：累加的采样个数，默认为100。

time_threshold：时间阈值，默认为60000ms（即60秒）。

后面的Asynch模式与该模式类似。

Statistical：当采样信息超过指定阈值后，发送采样信息的摘要信息。根据线程组和采样名称进行表记。摘要包括如下字段：Elapsed time：流逝时间

Latency：延迟

Bytes：字节

Sample count：采样个数

Error count：错误个数

其他字段会被丢弃。（5）中的两个属性也对该模式起作用。

Stripped：将成功的采样在响应数据中删除。StrippedBatch：在响应数据中删除成功采样后，使用Batch模式。Asynch：采样信息在本地队列中临时存储。启动一个独立的工作线程进行采样信息发送。这样能够允许测试线程得以持续执行而不用等待回送的结果返回。当然，当结果产出太快，导致临时队列被充满，也会使得测试线程阻塞，直到队列中一些数据排空。该模式可以用来削平采样信息的网络波峰。通过执行机JMeter的属性asynch.batch.queue.size （默认100）进行队列大小配置。StrippedAsynch：在响应数据中删除成功采样，再使用Asynch模式。自定义：通过配置一个特定的Java类，可以配置自行扩展的发送模式。扩展类必须首先接口SampleSender，并且实现接收一个具有RemoteSampleListener类型变量的构造函数。上述提到的Stripped类的模式，都会将响应数据中的成功信息进行删除，所以一些依赖前置响应数据的元件会出现问题。这个问题可以通过调整测试脚本得以解决。