jmeter学习之路---21

本文详细介绍了JMeter中的Runtime控制器和吞吐量控制器的使用。Runtime控制器用于控制请求的运行时间,例如,设置为5秒将在5秒内发送多个请求。而吞吐量控制器则可以限制请求的执行次数或百分比。在不同循环和线程设置下,这两个控制器会影响测试的执行时间和请求分布。通过实验,展示了如何配置和理解这两个控制器的效果。

上节记录的是ForEach和switch控制器,这节课来说说最后想说的两个控制器吧,那就是Runtime控制器和吞吐量控制器。
1.runtime控制器,控制请求的运行时间。
在这里插入图片描述
发送一次这个天气请求大概是1秒,可能实际运行都不需要1秒(因为这里最少显示1秒)。
如果设置时间为5,那会发生什么呢
在这里插入图片描述
那就是会在5秒内连续发送请求,直到5秒到达。
在这里插入图片描述
如上图,可见5秒内发送了10多个请求。
以上案例都是在循环一次的情况。作为测试,我们可以思考一下,如果增加了循环次数或者线程数,这个运行时间会不会加倍呢,答案是会的。
在这里插入图片描述
在这里插入图片描述
根据如上的配置,我们可以先猜测一下,循环2次,同时Runtime设置为2,那是不是总共会运行4秒呢。来看看结果吧。
在这里插入图片描述
总结:运行时间=循环次数*Runtime时间。
2、吞吐量控制器
在这里插入图片描述
2.1 先选择Total Executions来实验。
在这里插入图片描述
在这里插入图片描述
循环次数3,吞吐量控制为2,按道理get请求1可发送3次。get请求2只有2次
在这里插入图片描述
如果还是上述的配置,只是更改Percent Executions,这边设置百分比不能使用50%,我测试发现这样写会有问题。只能写50.0这种格式。不知道为什么。
在这里插入图片描述
循环3次,吞吐量50%,那么get请求1会出现3次,get请求1只有1次
在这里插入图片描述
对于单线程组,我们勾不勾选per user影响都不大。只有在设置多个线程之后才会有,比如下面设置2个线程组,3次循环,吞吐量设置50%,勾选per user举例。这样查看结果树预期get请求1出现6次,get请求2出现2次。
在这里插入图片描述
在这里插入图片描述
以上结果也发现达到预期了。
如果不勾选会产生什么结果呢
get请求1出现6次,get请求2出现3次,为什么是3次呢,因为2个线程组,3次循环,这样每个线程组执行1.5,那合起来就是3了。查看结果树发现也达到预期了。
在这里插入图片描述

graph TD A[用户输入] -->|自然语言测试需求| B(智能AI测试生成引擎) subgraph 脚本生成层 B --> B1[NL2JMeter转换器] B --> B2[负载模型生成器] B1 --> C[参数化JMeter脚本] B2 --> D[动态负载曲线] B2 --> D1[脉冲冲击] B2 --> D2[斜坡递增] B2 --> D3[波浪振荡] B2 --> D4[混沌扰动] B2 --> D5[稳态保持] end C --> E(智能分布式压测集群) D --> E subgraph 压测执行层 E --> E1[动态资源调度] E1 --> E11[初始规模计算<br>min(3, ceil(N/5))] E1 --> E12[扩容条件<br>CPU>85%持续1min] E1 --> E13[缩容条件<br>吞吐↓+CPU<40%持续5min] E --> E2[强化学习调度器] E2 --> E21[Q-Learning算法] E21 --> E22[奖励函数设计<br>(覆盖率×0.3+异常率×0.5)/资源] E --> E3[容器化执行集群] end E3 --> F(多模态监控中心) subgraph 监控分析层 F --> F1[监控模板智能匹配] F1 --> F11[特征提取] F11 --> F111[组件类型] F11 --> F112[监控场景] F1 --> F12[模板预测<br>XGBoost+聚类] F1 --> F13[自动配置<br>Grafana API] F --> F2[性能分析优化引擎] F2 --> F21[CNN-LSTM诊断] F21 --> F211[识别21类反模式] end F2 --> G(全链路告警中枢) subgraph 告警响应层 G --> G1[智能抑制机制] G --> G2[分级恢复策略] G --> G3[自愈机制] G3 --> G31[预设动作库] end G --> H(大模型反馈学习闭环) subgraph 学习优化层 H --> H1[数据收集] H1 --> H11[测试-监控-分析三元组] H1 --> H12[人工调优记录] H --> H2[对比学习强化] H --> H3[月度模型更新] H3 --> H31[错误率↓3.2%/周期] end H3 -.-> B1[反馈优化NL2JMeter] H3 -.-> E2[优化调度策略] classDef box fill:#e6f3ff,stroke:#0066cc; classDef layer fill:#f0f7ff,stroke-dasharray:5 5,stroke:#3399ff; class B,E,F,G,H layer; class B1,B2,C,D1,D2,D3,D4,D5,E1,E11,E12,E13,E2,E21,E22,E3,F1,F11,F111,F112,F12,F13,F2,F21,F211,G1,G2,G3,G31,H1,H11,H12,H2,H3,H31 box; style A fill:#fff,stroke:#333,stroke-width:1px 按以上结构绘制业务流程图。
最新发布
08-09
评论
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