WebService性能测试回顾版-项目中遇到的一些问题

本文介绍了使用LoadRunner进行性能测试时遇到的一些常见问题及其解决办法,包括突破参数显示限制、处理加密连接、SOAPHeader的使用、调整Think Time、并发用户数的设定及分析工具的应用等。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

使用loadrunner中遇到的问题:

 

1. 突破参数的百条显示限制:

C:/WINDOWS/ vugen.ini中

[ParamTable]

MaxVisibleLines=100 改为200

 

2. 如何将Connect()中的密文改成明文:

在C:/WINDOWS/ vugen.ini中

是否存在[LRDCode Generation]AutoPasswordEncryption=OFF

没有则添加

 

3.关于use soap header的使用

在脚本中添加:

SOAPHeader=<soap:Header xmlns=/"http://*/"><authentication><username>TEST</username><password>TEST@1234</password></authentication></soap:Header>

保持在一行。

 

4. 在不带soap header的时候,那么run-time-setting客户端仿真选项à选择MS soap

在带soap header的时候,那么run-time-setting客户端仿真选项à选择General

 

5. Scan WSDL时,VuGen将为每种方法自动生成web_serivce_call函数。并且VuGen将在每次方法调用之间添加3秒的think_time。对于我们这个次测试,在每次调用时,都不需要think_time,所以就需要将这个lr_think_time(3)设置为lr_think_time(0)或者屏蔽。

 

6.  在本次测试中一部分采用的是一个Vuser,然后迭代N次的方法。
有一部分使用并发测试,则是N个用户vuser迭代一次的方法。
由于loadrunner的限制,所以license限制在了100个用户,采用的是通过Agnet来实现几千个用户的并发。


7.关于Analysis的分析应用:
每秒点击次数与平均事务响应时间比较:
可以查看点击次数对事务性能产生的影响。通过对查看“每秒点击次数”,可以判断系统是否稳定。系统点击率下降通常表明服务器的响应速度在变慢,需进一步分析,发现系统瓶颈所在。

 

8.Error: Failed to connect to server "192.168.1.100:2060": [10061] Connection refused
IIS关闭
Web服务器承受不了压力,拒绝服务,降低TCPTimeWaitDelay时间和增加MaxUserPort  TCP连接使用的最大端口数量可以提高系统的数据吞吐率

增加MaxUserPort  TCP连接使用的最大端口数量
1.打开注册表编辑器,如 Regedit.exe 或 Regedt32.exe。
2.导航到:HKLM/SYSTEM/CurrentControlSet/Services/Tcpip/Parameters
3.双击 MaxUserPort,将“数值数据”字段设置为 ea60(十六进制),再单击“确定”。
4.关闭注册表编辑器,并重新启动计算机,以使该设置生效。
建议将 MaxUserPort 值设置为 60000。如果设置的 MaxUserPort 值低于 60000,可能会显示名称服务提供程序接口 (NSPI) 代理警告

 

 

### 使用PyTorch加载CIFAR-10数据集进行图像分类 为了使用PyTorch加载CIFAR-10数据集并执行图像分类任务,通常会遵循一系列特定的操作流程。这些操作包括但不限于导入必要的库、定义转换函数、设置数据加载器以及准备用于训练和测试的数据。 #### 导入所需模块 首先,需要引入一些基本的Python包来辅助完成整个过程: ```python import torch from torchvision import datasets, transforms from torch.utils.data import DataLoader ``` #### 定义图像预处理变换 接着,创建一组适用于输入图片的转换规则,这有助于提高模型性能或加速收敛速度。对于CIFAR-10而言,常见的做法是对原始RGB像素值做标准化处理,并随机裁剪及水平翻转增强样本多样性: ```python transform_train = transforms.Compose([ transforms.RandomCrop(32, padding=4), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)), ]) transform_test = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)), ]) ``` 这里`transforms.Normalize()`中的参数分别代表均值(mean)与标准差(std),它们来源于CIFAR-10官方给出的经验数值[^1]。 #### 设置数据加载器 之后,利用上述配置好的转换对象实例化对应的`datasets.CIFAR10`类,并通过`DataLoader`构建迭代器以便后续批量获取批次(batch)形式的数据供网络学习之用: ```python trainset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform_train) trainloader = DataLoader(trainset, batch_size=128, shuffle=True, num_workers=2) testset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform_test) testloader = DataLoader(testset, batch_size=100, shuffle=False, num_workers=2) ``` 以上代码片段展示了如何基于PyTorch框架高效便捷地加载CIFAR-10数据集,并为其指定恰当的前处理方式以适应具体的机器学习应用场景需求[^2]。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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