python并发编程调优_性能测试：深入理解线程数，并发量，TPS，看这一篇就够了...

再继续讨论餐厅的服务能力调优，这可能就要变成一片餐饮博文了。

不过相信敏锐的你能看出来，第一部分我们的讨论里，包含了大量与服务器性能相似的概念。

恰好，老王

除了开了一家开封菜餐厅，还运营着一家网站=_=!。

这家网站的一次典型事务请求链路是这样的：

你别说，还真挺像用餐流程的吧。

而且就像多人用餐的场景一样，这个网站同样也有多用户请求的情况：

当一条请求从客户端发起时，它遵循着以上的线路传递，线性完成。

老王发现，这家网站的性能关键，在于应用服务器上。就像餐厅的服务能力，主要取决于后厨团队一样。

当多个客户端同时发起请求时，服务器必须具备一定的“并行”能力，否则后续进来请求会排队而且可能超时。

说到这呢，虽然上图我们画的是一个

，但一般都服务器的

都有多处理器,辅以超线程技术。

而主流编程语言都有“多线程编程”的概念，其目的就在于合理的调度任务，将CPU的所有处理器充分的利用起来。

也就是说我们可以认为，这套应用服务本身就有不止一个“大厨”在烹饪。

取决于处理器数和多线程技术，数个事务可以以线程

的方式并行处理。

不过老王对于当前服务器的性能并不满意，就像对于餐厅一样，老王也针对这个应用服务思考了更多调优方案：

大厨的数量真的够吗？是不是要继续增加人数(CPU核数，服务器节点数-硬件调优)？

大厨的经验和技术到位吗？是不是要改聘更资深的大厨(改换具有更高频CPU的服务器-硬件调优；调整业务逻辑效率-逻辑调优)？

改良热门餐品的备菜策略？(利用数据库索引、缓存等技术-逻辑调优)

除了我们强调的调优重点，应用服务/后厨团队，其他部分也是有可能成为瓶颈，需要调优解决的，比如：

餐厅容量会不会无法容纳排队的客户？(服务器容量，线程池大小，最大连接数，内存空间)

小二的下单和上菜速度有没有成为掣肘？(网络带宽，路由效率等。对于数据密集型服务而言，网络带宽很可能成为瓶颈。)

等等

3. 下面是性能测试环节

接下来我们要讨论如何测试一套服务的性能。

线程数：

要实现性能测试的一个必要条件，那就是我们必须要能模拟高峰期的访问量。这一点通过正常的应用客户端是很难办到的(比如web应用的客户端就是浏览器，你很难用浏览器并发向服务器发送大量请求)。

这里就需要性能测试工具来帮忙了，主流的性能测试工具比如

，

等都能以线程式并发的方式，帮我们达成“短时间内向服务器发送大量请求”这一任务。

多线程式并发测试工具，顾名思义，会启动复数个线程，让每个线程独立向服务器端发出请求。

有时候我们在描述性能测试过程时，会将这个客户端的独立线程数表述为“并发数”。

但是注意，这里的“并发”指的是客户端并发，很简单，客户端能发出很多请求，服务器却未必能处理得了是不是？

并行数：

那么服务器一次性能同时处理多少事务请求呢？

根据我们之前的讨论，同一时间节点上同时处理的事务数最大就是：CPU处理器数*服务器超线程倍率。

比如对于一个8核未超线程CPU，某时间节点上的同时处理的事务不会超过8个。类比于8个厨师，同一时间点上只能处理8份餐品。

而超线程技术就像是给厨师们来了一场“左右互搏”培训，让每个人都能一心二用，一次处理2份餐品。

这里我们描述的“同时8个”事务，就是“并行/平行”的含义。

并发数：

注意上面我们讨论的“并行数”，不是"并发数"。否则我们直接看CPU核数就能确定并发数了。

并发数指的是一个时间段内

的事务完成数。这个切片“时间段”常取1秒钟或1分钟这样的整数来做换算。

假设一个厨师平均2分钟做完一道菜，那么8个厨师2分钟完成8道菜，换算一下就是4道/分钟。

如果以分钟为单位进行统计，那么这个数字就是最终结果。

每秒事务数(TPS)：

一般应用服务器的处理速度跟厨师做菜是不在一个数量级的，常见的事务请求在应用服务器端的处理时间以毫秒为单位计算。

所以测试性能时，我们更常用“1秒钟”来作为切片时间段。

一秒钟完成多少个事务请求，这个数据就是我们耳熟能详的“每秒事务数”。

这个指标翻译成英文就是TPS - Transaction Per Seconds。(也有用QPS - Query Per Seconds来统计的，其差异暂时不做讨论了)

每秒事务数，就是衡量服务器性能的最重要也是最直观指标。

每秒能完成的事务数越多，那么每分钟能完成的事务就越多，每天完成的事务数就越多 --

简单的小学数学。

那么他直接能影响到一个应用服务每天平均能承受的访问量/请求量，以及业务高峰期能承受的压力。

平均响应时间：

那么有哪些因素会影响到TPS数值？

有两个主要的维度：

单个事务响应速度

同一时间能并行执行的事务

第二点我们说了，它主要跟服务器资源配置，线程池容量，线程调度等相关。

第一点换一个说法就是：事务平均响应时间。单个事务平均下来完成的速度越快，那么单位时间内能完成的事务数就越多，TPS就越高 --

简单的小学数学。

所以在进行性能调优时，除了服务器容量资源，单个事务响应速度是另一个关注的重点。

要关注事务响应速度/时间，可以考虑在事务内部逻辑节点添加“耗时探针”的方式，来探测每个步骤分别花费的时间，从而找出可优化的部分。

吞吐量

吞吐量

是在性能探测过程中经常冒出来的名词，怎么理解他呢？

简单的结论就是，吞吐量是站在“量”的角度去度量，是一个参考指标。

但是光有“量”的数据有时候并无太大价值，一家餐厅1个小时卖出100份餐品和一个月才卖出100份餐品，单从“量”的维度衡量肯定不行，时间维度很重要！

所以，性能测试领域的吞吐量通常会结合上时间维度进行统计。

如果吞吐量的“量”以“事务”为统计单位的话，结合时间维度，转化以后可以很容换算成TPS。

4. 最后，关于性能测试的一些碎碎念

测试类型

由于测试目标的不同，性能测试可能存在很多种形式。

比如明确了解日访问量和巅峰访问量，测试服务器是否能够承受响应压力的测试。

比如用于探测系统负载极限和性能拐点的测试。

比如衡量系统在高负载情况下，长时间运行是否稳定的测试。

这许多种形式我们暂且不做讨论，不过所有以上测试的基础都是它 -- “并发测试”。

制造并发，是性能测试的基本实现办法。

进一步细化理解客户端线程数和并发量的关系

设服务器并发能力为每秒完成1个事务，即TPS=1/s。且服务器使用单核处理器，现用Jmeter启动5个线程循环进行并发测试，那么每个切片时间(每秒)都发生了什么？

我们可以用如下图表来分析：

其中，

为线程可执行(等待执行)，

为线程正在执行，

表示线程执行完毕。

假设其他条件不变，增加服务器并行处理数为2(增加CPU核数为2，以及合理的线程调度机制)那么变为：

这里真实的并发数(服务器单位时间完成的事务数)就是图中每一秒钟完成的事务数。

而客户端启动的其他未处理的线程则在“排队等待”。

线程并发数量

那么制造多少并发，换言之，我应该用多少并发线程数去进行测试？

实际上客户端发起的线程数与服务器可达到的并发数并无直接关系，但你应该使用足够的线程数，让服务器达到事务饱和。

如何判断服务器是否达到饱和？这时我们可以采取阶梯增压

的方式，不断加大客户端线程数量，直到服务器处理不过来，事务频繁超时，这时就得到了服务器处理能力极限。

根据不同的测试类型，取这个极限数量的一定百分比作为客户端线程数。

比如说，负载测试中，通常取达到这个极限数值的70%。

客户端损耗

我们在讨论餐厅订单流程和服务器事务流程时，流程图里包括了顾客/客户端。

顾客点餐要不要花时间？当然要，如果他患上选择困难症，甚至有可能在下单的时候花去大量时间。

同理，客户端从启动线程到构造请求并发出，这一过程也有一定的时间损耗。

通常在测试服务器性能的时候，客户端性能是应该被剥离出去的，所以测试时应该尽量降低客户端时间损耗。

适当增加客户端线程循环次数 - 稀释这些线程启动的占用时间

当客户端线程数需要较大数量时(对jmeter而言，超过1000左右)，客户机/测试机的资源占用会增大，整个客户端的请求构造时间会拉长。应该考虑分布式测试。

尽量减少客户端请求构造时间，比如beanshell请求加密，如果过程过于复杂也会耗去可观时间。极限测试情况下应考虑简化。

那么本文到这里告一段落。

希望能帮助理解性能测试领域的这些关键概念和原理

。