news 2026/9/24 2:43:15

jmeter负载测试如何找到最大并发用户数

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
jmeter负载测试如何找到最大并发用户数

在性能测试中,当我们接到项目任务时,很多时候我们是不知道待测接口能支持多少并发用户数的。此时,需要我们先做负载测试,通过逐步加压,来找到最大并发用户数。那么当我们找到一个区间,怎么找到具体的值呢?

在区间中逐步增加步长,出现以下任意现象时,即是最大并发用户数:

出现连续报错

平均响应时间超过1.5秒(1.5秒是行业标准)

tps出现下降趋势

负载测试概念
逐步增加并发用户数,找出被测系统的最大可接受的并发用户数,并考察系统性能的变化。

脚本总体设计:

场景介绍:

1、首先用插件管理器下载插件jpgc-StandardSet,然后重启jmeter

2、添加线程组jp@gc-SteppingThreadGroup

3、在线程组下添加请求取样器和其他配置元件,并填写接口参数,本文的被测接口为注册接口

4、添加监听器:

  1. <span style="background-color:#f8f8f8"><span style="color:#333333">jp@gc-ActiveThreadsOverTime(活跃线程数随时间变化图)

  2. jp@gc-ResponseTimesOverTime(响应时间随时间变化图)

  3. jp@gc-TransactionsperSecond(tps随时间变化图)</span></span>

5、jp@gc-SteppingThreadGroup填写数据,场景为在5秒内增加10个并发用户数,并运行30秒,再继续在5秒内增加10个并发用户数,重复循环,直至并发用户数达到50个后运行脚本60秒。然后在每1秒内减少5个并发用户数,直到减为0,结束脚本的运行。

6、第一次运行脚本,结束后观察数据:

由图形得知:

当并发用户数为20时,平均响应时间超过1.5秒

tps全程没有出现明显的下降趋势,也没有出现连续的报错

第一次运行脚本分析:因此得出结论,系统的最大并发用户数为10~20区间

我们已经得出系统的最大并发用户数为10~20区间,那么具体是多少呢?接下来要减少步长,并进行第二次的测试

7、jp@gc-SteppingThreadGroup填写数据,场景为以10个并发用户数为基准,在1秒内增加1个并发用户数,并运行30秒,再继续在1秒内增加1个并发用户数,重复循环,直至并发用户数达到20个后运行脚本60秒。然后在每1秒内减少5个并发用户数,直到减为0,结束脚本的运行。

8、第二次运行脚本,结束后观察数据:

由图形得知:

  1. 当并发用户数为17时,平均响应时间超过1.5秒

  2. tps全程没有出现明显的下降趋势,也没有出现连续的报错

第二次运行脚本分析:因此得出结论,系统的最大并发用户数为16

最后作为一位过来人也是希望大家少走一些弯路,在这里我给大家分享一些软件测试的学习资料,这些资料希望能给你前进的路上带来帮助。

视频文档获取方式:
这份文档和视频资料,对于想从事【软件测试】的朋友来说应该是最全面最完整的备战仓库,这个仓库也陪伴我走过了最艰难的路程,希望也能帮助到你!以上均可以分享,点下方小卡片即可自行领取。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/9/21 21:21:12

手把手教你EIDE(2)——新建并导入AT89C51工程

1.打开KEIL软件&#xff0c;新建工程&#xff1b;2.选择工程路径和设置工程名称&#xff0c;点击保存&#xff1b;3.下拉选择Legace Device...这个选项&#xff1b;4.在下方的搜索框中搜索AT89C51&#xff0c;选中对应芯片后点击OK&#xff1b;5.选择是6.保存工程然后就可以关闭…

作者头像 李华
网站建设 2026/9/20 14:48:18

diskinfo监控GPU服务器硬盘状态,保障PyTorch-CUDA-v2.7稳定运行

diskinfo监控GPU服务器硬盘状态&#xff0c;保障PyTorch-CUDA-v2.7稳定运行 在现代AI研发环境中&#xff0c;一个训练任务动辄持续数天甚至数周&#xff0c;数据量动辄上百GB。一旦因硬件问题导致中断&#xff0c;不仅浪费了宝贵的GPU计算资源&#xff0c;更可能让研究人员前功…

作者头像 李华
网站建设 2026/9/21 22:10:48

conda create env太慢?切换至PyTorch-CUDA-v2.7容器秒级启动

从 conda create 到容器化&#xff1a;为什么 PyTorch-CUDA 容器能实现秒级启动 在深度学习项目中&#xff0c;你是否经历过这样的场景&#xff1f;刚拿到一台新服务器&#xff0c;兴致勃勃地准备跑通第一个模型&#xff0c;结果卡在了第一步——执行 conda create -n pytorch…

作者头像 李华
网站建设 2026/9/20 14:51:35

基于51单片机的智能抽奖系统控制设计

**单片机设计介绍&#xff0c;基于51单片机的智能抽奖系统控制设计 文章目录一 概要二、功能设计设计思路三、 软件设计原理图五、 程序六、 文章目录一 概要 基于51单片机的智能抽奖系统控制设计旨在通过电子技术实现抽奖过程的自动化和智能化&#xff0c;以提高抽奖活动的效率…

作者头像 李华
网站建设 2026/9/20 14:51:04

transformer模型蒸馏实战:基于PyTorch-CUDA-v2.7加速小模型训练

Transformer模型蒸馏实战&#xff1a;基于PyTorch-CUDA-v2.7加速小模型训练 在当今AI应用快速落地的背景下&#xff0c;大模型虽强&#xff0c;却往往“跑不动”——部署成本高、推理延迟大、资源消耗惊人。尤其是在移动端、边缘设备或实时服务场景中&#xff0c;一个千亿参数…

作者头像 李华
网站建设 2026/9/22 6:26:15

PyTorch-CUDA-v2.7镜像启用CUDA Graph,减少内核启动开销

PyTorch-CUDA-v2.7镜像启用CUDA Graph&#xff0c;减少内核启动开销 在现代深度学习系统中&#xff0c;GPU已成为训练和推理的绝对主力。然而&#xff0c;即便拥有A100、H100这样的顶级算力硬件&#xff0c;许多团队仍会发现实际吞吐远低于理论峰值——问题往往不在于模型本身&…

作者头像 李华