模板
教程
环境
性能
功能
管理
在高负载压力下支付宝是如何做性能测试的(2)
通过标准:
RT<130ms, TPS>35.
JVM old 区内无内存泄露，无内存溢出。GC时间间隔>30min，暂停应用时间<150ms.
CPU<70%， load < core*1.5。
2. 发布性能场景
性能测试方案：
发布时间间隔时间限制从1min调整为3s, 更快的暴露问题。
使用单元测试类推送发布消息。
服务器shell 脚本收集发布模块性能数据。
使用nmon收集服务器性能数据。
使用jconsole收集JVM数据。
通过标准：
JVM Perm 区内无内存泄露，无内存溢出。GC时间间隔>10min，暂停应用时间<200ms.
发布时间<30S
CPU<70%， load < core*1.5。
3.扫描过程中发布性能场景
性能测试方案：
使用jmeter脚本进行分布式压测，同时提交发布请求进行发布。
同时使用扫描性能场景和发布性能场景收集数据功能。
通过标准：
RT < 扫描性能场景结果RT * 110%.
TPS > 扫描性能场景结果TPS * 90%.
发布时间 < 40s。
d. 发现的问题
1. 扫描性能场景
AVG RT = 473ms， CMS GC = 90ms, 应用暂停时间 = 1s, 因此测试未通过。
问题定位：
dump内存，使用ibm memory analyzer 分析。
确认cms gc的原因为drools引擎的finalize方法。Finzlize方法不能正确的释放对象的引用关系，导致引用关系一直存在，无法释放。
调优方案：
根据drools的升级文档，升级drools引擎后解决此问题
2. 发布性能场景
CMS GC 回收失败，内存无法被释放，应用宕机。
问题定位：
GC回收比例为默认值68%，OLD区内存1024M，那么回收的临界值为1024*0.68=696.32M。系统的JVM内存占用为500M，扫描策略相关的内存为120M，在切换的过程中，依赖额外的120M，因此只有在可用内存大于740M时才能正常回收。
解决方案：
调整JVM参数，扩大GC回收比例。
后续技术方案改造，使用增量发布解决此问题。
3. 扫描过程中发布性能场景
问题定位：
扫描平台发布流程，当首次请求进来时执行脚本动态编译过程，由于脚本较多，因此所有脚本的动态编译时间较长，在此过程中，进来的所有请求都会被hand住，造成大量超时
解决方案：
把脚本的动态编译提前到首次请求调用进来之前，编译通过后再切换扫描引擎，保证首次请求进来前一切准备就绪。
三：性能测试的执行和结果收集
3.1性能测试的执行
性能测试的执行需要具备以下几个条件：施压工具,测试环境以及对测试结果的收集工具。
3.1.1 施压工具
我们先来说说施压工具，支付宝使用的主流施压工具是开源工具Apache JMeter，支持很多类型的性能测试：
Web - HTTP, HTTPS
SOAP
Database via JDBC
LDAP
JMS
支付宝大部分接口是webservice接口，基于soap协议，且都是java开发，所以使用jmeter非常方便，即使jemter工具本身没有自带支持的协议，也可以通过开发插件的方式支持。
3.1.2测试环境
测试环境包括被压机和施压机环境，需要进行硬件配置和软件版本确认，保证系统干净，无其他进程干扰，最好能提前监控半小时到1小时，确认系统各项指标都无异常。
另外除了被压机和施压机，有可能应用系统还依赖其他的系统，所以我们需要明确服务器的数量和架构，1是方便我们分析压力的流程，帮助后面定位和分析瓶颈，2是由于我们线下搭建的环境越接近线上，测试结果越准确。但是通常由于测试资源紧张或者需要依赖外围，例如银行的环境，就会比较麻烦，通常我们会选择适当的进行环境mock。当然，Mock的时候尽量和真实环境保持一致，举个简单的例子，如果支付宝端系统和银行进行通信，线上银行的平均处理时间为 100ms，那么如果我们在线下性能测试时需要mock银行的返回，需要加入100ms延迟，这样才能比较接近真实的环境。
另外除了测试环境，还有依赖的测试数据也需要重点关注，数据需要关注总量和类型，例如支付宝做交易时，db中流水万级和亿级的性能肯定是不一样的;还有db是否分库分表，需要保证数据分布的均衡性。一般考虑到线下准备数据的时长，一般性能测试要求和线上的数据保持一个数量级。
原文转自：http://www.infoq.com/cn/articles/performance-test-of-zhifubao
