tsung xmpp 消息发送测试

Tsung负载测试tigase tsung是一个非常好用的压力测试软件,基于erlang语言,支持多种协议如xmpp,http,mysql,支持集群,高效率,可以用一台普通的机器压垮几台性能强大的服务器。 针对消息通知服务xmpp服务器,可以用tsung来测试消息通知服务能承受多大的压力。 在Ubuntu上装好tsung之后,首先要用ulimit修改系统支持的最大fd数量(ulimit-n 20480),否则tsung最多只能创建不到1024个连接,测试脚本是一个xml文件 立即下载

原料准备:

centos 6.4 64bit

erlang

tsung运行环境

openfire

spark(用来验证消息是否成功发送)


一.tsung的安装参考

1.到erlang网站上下载erlang源码包,

按以下步骤安装

yum install ncurses-devel.i686
yum -y install ncurses-devel
./configure --prefix=/usr/local/servers/erlang --without-javac --with-ssl=/usr/local/ssl/
make 
make install
ln -s /usr/local/servers/erlang/bin/erl /usr/local/bin/erl
ln -s /usr/local/servers/erlang/bin/erlc /usr/local/bin/erlc

2.安装tsung

到tsung网站下载源码包编译安装

./configure
make
make install

二.到openfire网站下载openfire rpm包直接安装(如果是windows则下载windows安装包)


三.openfire配置更改.授权模块处理.

自定义一个authProvider代码如下:

import org.jivesoftware.openfire.auth.AuthProvider;
import org.jivesoftware.openfire.auth.ConnectionException;
import org.jivesoftware.openfire.auth.InternalUnauthenticatedException;
import org.jivesoftware.openfire.auth.UnauthorizedException;
import org.jivesoftware.openfire.user.UserNotFoundException;

public class NoAuth implements AuthProvider {
                //这里很重要,关系到能否得到授权
		return true;
	}

	@Override
	public boolean isDigestSupported() {
		return false;
	}

	@Override
	public void authenticate(String username, String password)
			throws UnauthorizedException, ConnectionException,
			InternalUnauthenticatedException {

	}

	@Override
	public void authenticate(String username, String token, String digest)
			throws UnauthorizedException, ConnectionException,
			InternalUnauthenticatedException {

	}

	@Override
	public String getPassword(String username) throws UserNotFoundException,
			UnsupportedOperationException {
		return null;
	}

	@Override
	public void setPassword(String username, String password)
			throws UserNotFoundException, UnsupportedOperationException {

	}

	@Override
	public boolean supportsPasswordRetrieval() {
		return false;
	}

}

编译得到class文件 使用 jar cvf jar包名 文件夹 打包为jar包.复制到 openfirHone/lib/ 下.

设置openfire系统属性 provider.auth.className 为自定义类.

设置


四.编辑tsung 脚本

<?xml version="1.0"?>
<!DOCTYPE tsung SYSTEM "/usr/local/share/tsung/tsung-1.0.dtd">
<tsung loglevel="notice" version="1.0">

  <clients>
    <client host="localhost" use_controller_vm="true"></client>
  </clients>

  <!-- Server side setup -->
  <servers>
    <server host="192.168.7.123" port="5222" type="tcp"></server>
  </servers>

  <load>
    <arrivalphase phase="1" duration="1" unit="minute">
      <users interarrival="2" unit="second"></users>
    </arrivalphase>
  </load>

  <!-- JABBER parameters -->
  <!-- to synchronise users,  use a global acknoledgement -->
  <options>
    <option type="ts_jabber" name="global_number" value="100"></option>
    <option type="ts_jabber" name="userid_max" value="10"></option>
    <option type="ts_jabber" name="domain" value="floatant"></option>
    <option type="ts_jabber" name="username" value="admin"></option>
    <option type="ts_jabber" name="passwd" value="admin"></option>
  </options>

  <sessions>
    <session probability="100" name="jabber-example" type="ts_jabber">

      <request>
        <jabber type="connect" ack="no_ack"></jabber>
      </request>
      <thinktime value="2"></thinktime>
      <!-- 获取授权 -->
      <request>
        <jabber type="auth_set_plain" ack="local"></jabber>
      </request>
      <transaction name="online">
        <request><span style="white-space:pre">	</span>  <!-- 这里的data为要发送的packet,可以为任务合法的packet类型.注意 < >符号要使用转义字符 -->
          <jabber type="raw"  ack="no_ack" data="<message type='chat' to='a@floatant' ><
body>zhouhui</body> </message>"></jabber>
        </request>
      </transaction>

      <thinktime value="30"></thinktime>

      <transaction name="close">
        <request>
          <jabber type="close" ack="no_ack"></jabber>
        </request>
      </transaction>
    </session>
  </sessions>
</tsung>

删改来自tsung自带的脚本 /usr/local/share/doc/tsung/examples/jabber.xml

五.运行tsung测试

tsung -f 测试脚本 -l 日志保存文件夹

六.效果图如下


证明消息有发送成功.

六.生成tsung报告

切换到日志所在文件夹

cd /root/java/tsung/xmpp/chat/log/20150112-1619

运行tsung脚本

/usr/local/lib/tsung/bin/tsung_stats.pl 生成测试报告

Tsung_测试XMPP_安装使用说明 tsung是用erlang开发的一款简单易用的压力测试工具,目前仅支持linux各版本系统安装,有tar.gz和deb两种安装文件, 目前我们测试用的是CentOS或RedHat两种操作系统,因此选择tar.gz安装文件,总的来说tsung工具有以下优点: 1.1 High Performance高效的:一个单独的cpu可以模拟数以千计的用户(因为模拟用户不总是处于激活状态,它有可能在思考的闲置状态) 1.2 Distributed分布式的:可以把负载分布到一系统客户端集群中 1.3Multi-Protocols using a plug-in system多协议支持(通过插件方式实现):当前最新版本支持的协议插件有:HTTP , WebDAV, Jabber/XMPP, PostgreSQL,LDAP和MySQL 1.4SSL support 1.5利用底层osip别名技术,在单独的机器上使用多个ip地址 1.6在远程服务器或snmp上,使用erlang代理对os进行监控,主要是监控它的cpu,内存,网络流量等 1.7 xml配置系统: 1.8动态场景: 我们可以从负载的服务器得到动态数据并把它重新注入到随后的请求,当字符串或正则式匹配服务请求,我们可以循环、重起或停止这个对话。 立即下载

相关推荐

AquaCrop-OSPy学习笔记02:模型输入设置

AquaCrop-OSPy的输入设置

EWBA_GIS_RS_ER的博客 3693

tsung压力测试多服务器(跨域)之间发送消息和状态变更

  最近在做多服务器之间通信压力测试,找官方TSUNG的手册中也没有发现教程来测试,后来自己胡乱整了一下。实现了2台服务器之间消息通信和状态变更(压力测试,当然如果你只是实现功能测试,手工登录客户端测试2台服务器之间是否通信,就不需要这么麻烦了,需要更多压力就需要修改TSUNG脚本了)   一:测试2台服务器消息互发(即A服务器发聊天消息发送给B中指定的用户)       1.准备2服务器 如...

个人技术 377

HFSS 3D LAOUT PCB 裁剪,差分线,过孔仿真和优化

我本身不是做天线设计的,所以HFSS这个软件给我主要还是做PCB级别的高速信号完整性仿真,一般2.5D的仿真软件无法对过孔和跨平面进行仿真。所以要借助三维电磁软件进行。今天就针对PCB进行裁剪。为什么要裁剪?以为如果把整个PCB一起仿真的话,应该要好几个月吧。所以为了加快仿真速度,必须进行裁剪仿真。①candence的PCB可以直接导入。那么先导入brd文件,file-import-candence结果如下②点击cutout,选中要仿真的net和参考平面。这里最好选creat new不然会把原文件覆盖掉。注

gjatwfn的专栏 1万+

Tsung MQTT协议简介及MQTT xml文档配置介绍

MQTT协议简介及MQTT xml文档配置介绍 by:授客QQ:1033553122 1.MQTT协议介绍 MQTT(Message Queuing Telemetry Transport,消息队列遥测传输协议),是一种基于发布/订阅(publish/subscribe)模式的“轻量级”通讯协议,该协议构建于TCP/IP协议上。 MQTT最大优点在于,可以以极少的代码和有限的带宽...

weixin_30416871的博客 295

别再用Excel硬算传热了!用MATLAB/Octave复现国赛数学建模A题(附完整代码与避坑指南)

本文详细介绍了如何利用MATLAB/Octave高效解决数学建模中的传热问题,替代传统的Excel计算方法。通过复现2018年国赛A题的高温作业服传热模型,从理论推导到代码实现,提供了完整的有限差分法解决方案和参数拟合技巧,帮助读者提升数学建模效率和准确性。

weixin_30512965的博客 379

顶刊级科研绘图技巧

顶刊级科研绘图技巧

2401_89571885的博客 1156

用Tsung对XMPP进行压力测试,登陆用户只有十几个,无法再添加,何故?

用Tsung对XMPP进行压力测试,登陆用户只有十几个,无法再添加,何故? 下面是配置文件

jielysong117的专栏 1306

3种六轴IMU姿态解算算法对比:互补滤波、Mahony与卡尔曼滤波性能实测

本文深入对比了三种六轴IMU姿态解算算法:互补滤波、Mahony与卡尔曼滤波的性能表现。通过实测数据分析了各算法在精度、计算复杂度和适用场景上的差异,为无人机、机器人等运动控制系统提供了选型建议。重点探讨了六轴陀螺仪与加速度传感器的数据融合技术,帮助开发者根据项目需求选择最优解算方案。

weixin_29054245的博客 337

erlang官方英文pdf关于xmpp/jabber/bosh/websocket的相关翻(2)+tsung消息收发

6.6.3jabber/XMPP 这儿是一个session定义的例子 probability="70"name="jabber-example" type="ts_jabber"> <jabber type="connect"ack="local" /> value="2"> name="authenticate"> <jabber type="auth_get"ack=

769

关于STM32编译报错:Error: L6218E: Undefined symbol SystemInit (referred from startup_stm32f10x_md.o).

今天新建工程发现出现一个错误 —— …\Output\CG.axf: Error: L6218E: Undefined symbol SystemInit (referred from startup_stm32f10x_md.o). 但我觉得我的操作没有任何问题,而且配置和上一个文件比较是一模一样的。 于是我开始百度查询,然后发现了下面几个博客—— @weixin_44133391——STM32 编译错误 @dorlolok——iel5 编译报错 error: L6235E: More than one

纯粹,学术,热爱。 9403

AVL(Athena Vortex Lattice)如何编写与应用(一)

前两个是弦向的涡个数和以cos函数分布的间距参数(设为1即可)后两个可以在这里声明也可以写到后面的每一个section中,是展向的涡个数和以sin函数分布的间距参数。这个文件是用来建立飞机模型的文件,是一定要有的文件,其他的.run和.mass并不是必须要有的,甚至mass文件并没有看到有人在使用。Sref、Cref、Bref是飞机的参考面积参考弦长和参考的展长,我的理解就是所设计飞机的S,c,b这三个参数。———————————————以上是飞机的基本信息———————————————

dawangaa的博客 1510

Tsung负载测试Tigase

http://linyu19872008.iteye.com/blog/1605707 文档历史 日期 作者 版本 注释 2012/05/15 sina微博:weibo.com/csx1998 1.0 创建              ...

天道酬勤 311

结合qtdesigner,用pyqtgraph在界面上绘制波形图(一)

思路:先画图,然后在qtdesigner上放一个容器,给这个容器添加一个布局,然后把图当作一个Widget放入布局中。二、PyUIC把test.ui转换成test.py,再新建一个load_test.py写脚本。就这么简单,基础部分就完成了。也可以给它添加样式,我知道的样式不算多,但会继续写。一、随便拖进来一个容器控件,我拖了一个Widget。要想把波形图显示在界面上,核心思想其实很简单。三、load_test.py的代码。

learninger_lt7的博客 1803

Tsung介绍

概述 Tsung是一个开源的多协议分布式负载测试工具,它可以用于强调HTTP、WebDAV、SOAP、PostgreSQL、MySQL、LDAP、MQTT和Jabber/XMPP服务器。 Tsung是一个基于GPLv2许可协议发布的自由软件。 Tsung的目的是模拟用户,以测试基于IP的客户机/服务器应用程序的可伸缩性和性能。您可以使用它来对服务器进行负载和压力测试。许多协议已经被实现和测试,并且...

hyx_try的博客 3301

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Tsung性能测试工具中的统计报告功能详解

Tsung作为一款强大的分布式负载测试工具,其统计报告功能是评估系统性能的关键组成部分。Tsung能够实时收集并分析大量性能指标,为测试人员提供全面的系统表现视图。 ## 数据输出格式 Tsung默认使用专有格式存储统计数据,但从1.4.2版本开始,支持JSON格式输出。JSON格式虽然更易读且便于与其他系统集成,但需要注意: - 传统统计工具(tsung_stats.pl和tsung_pl

gitblog_00849的博客 424

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

tsung测试xmpp遇到no_free_userid

tsung里面可以配置xmpp的参数,设置一下<option type="ts_jabber" name="userid_max" value="1000000" />即可 转载于:https://www.cnblogs.com/hehe520/p/6330340.html

weixin_30629977的博客 125

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Tsung如何测试跨域chat消息

        通过tsung对openfire进行性能测试,单服基本没有问题,包括客户端cluster,可以进行登录,聊天,Presence改变等等一系列,但是如果针对跨域的非同服情况,貌似就无能为力了,以下是普通的tsung.xml实例: &lt;?xml version="1.0"?&gt; &lt;!DOCTYPE tsung SYSTEM "/usr/share/tsung/tsun...

人生的意義在於修煉!修煉之路~ 188

终极ejabberd性能测试指南:如何评估和优化你的消息平台

在当今实时通信领域,**ejabberd性能测试**和**消息平台优化**对于确保高可用性和可扩展性至关重要。ejabberd作为一个强大的XMPP、MQTT和SIP服务器,其**大规模消息处理能力**和**高并发连接支持**使其成为企业级通信解决方案的首选。本指南将为您提供完整的性能评估方法和优化策略,帮助您构建稳定高效的实时消息系统。 ## 📊 为什么需要ejabberd性能测试? **

gitblog_00425的博客 988

CentOS下安装Tsung

tsung是一个非常好用的压力测试软件,基于erlang语言,支持多种协议如xmpp,http,mysql,支持集群,高效率,可以用一台普通的机器压垮几台性能强大的服务器。 针对消息通知服务xmpp服务器,可以用tsung来测试消息通知服务能承受多大的压力。     但是目前tsung只能在centos等linux系统下才能使用,目前不支持windows系统    Tsung的安装 前提:

淘宝的专栏 2506

tsung xmpp测试时读取文件中的用户

平时tsung测试时使用的都是tsung产生的用户名及密码,现在因为要登录另外一个系统,必须使用指定的用户名及密码才行,整理了一下在Tsung中读取文件中的用户名,密码方法. 需要的文件 userlist.csv 格式如一下,每个用户一行 usernam;passwd 在测试脚本tsung.xml的 &lt;options&gt;节点中加入&lt;option name="file...

303

tsung测试tigase结果说明

main statistics connect:Duration期间建立的连接数,  Page:一系列请求的响应时间(request不被thinktime分开的请求,相当于打开个页面,页面中有好多个请求),  Request:一个请求的响应时间, Session:一个user的一次会话时间,  由于tsung默认在10sec捕捉一次数据,所以有了最高响应时间平均值(highest 10se

Abean 1664

Tsung负载测试Tigase(转)

  Tsung负载测试Tigase                         文档历史 日期 作者 版本 注释 2012/05/15 sina微博:weibo.com/csx1998 1.0 创建           ...

linyu19872008的专栏 561

TSung测试XMPP协议--测试过程中出现问题

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_33894640的博客 169

分布式负载测试工具Tsung安装

一、 Tsung概述 tsung是一个非常好用的压力测试软件,基于erlang语言,支持多种协议如xmpp,http,mysql,支持集群,高效率,可以用一台普通的机器压垮几台性能强大的服务器。 针对消息通知服务xmpp服务器,可以用tsung来测试消息通知服务能承受多大的压力。 在Ubuntu上装好tsung之后,首先要用ulimit修改系统支持的最大fd数量(ulimit -

qishi123910的专栏 424

tsung测试openfire时从CSV文件读取user信息

为什么80%的码农都做不了架构师?>>> ...

weixin_33834628的博客 199
上一篇: tsung xmpp 消息发送测试
下一篇: Openfire使用Hazelcast Clustering Plugin 实现集群
eggtk
博客等级 码龄16年 2粉丝 8原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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