基于TSUNG对MQTT进行压力测试-测试结果

王树民 王树民 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 500+累计阅读 557平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄10年
关注
转载 最新推荐文章于 2026-08-30 11:13:57 发布 557 阅读 AI 写同款· GEO 优化 ›
MQTT压力测试之Tsung的使用 MQTT压力测试之Tsung的使用 MQTT压力测试之Tsung的使用 立即下载

基于TSUNG对MQTT进行压力测试-测试结果

一、TSUNG压测前概念温习

https://www.cnblogs.com/lingyejun/p/7898873.html

二、TSUNG在服务器上的安装步骤 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
Tsung压测时总连接数 = 本机可用IP地址数量×本机可用端口的数量×远程服务器可访问IP地址数量×远程服务器可访问端口数量。
yum install -y gcc gcc-c++ make libX11 xauth
yum install -y cairo-devel pango-devel freetype-devel gd-devel
yum install -y ncurses-devel openssl-devel unixODBC-devel wxWidgets-devel wxGTK3-docs mesa-libGL-devel
 
wget http://erlang.org/download/otp_src_20.0.tar.gz
wget https://www.cpan.org/modules/by-module/Template/Template-Toolkit-2.26.tar.gz
wget http://tsung.erlang-projects.org/dist/tsung-1.7.0.tar.gz
 
 
tar zxf otp_src_20.0.tar.gz
cd otp_src_20.0
./configure --prefix=/usr/local/erlang --without-javac
make -j 2
make install
 
 
tar zxf gnuplot-4.4.2.tar.gz
cd gnuplot-4.4.2
./configure
make -j 2
make install
 
export PATH=$PATH:/usr/local/erlang/bin/
tar zxf tsung-1.7.0.tar.gz
cd tsung-1.7.0
./configure --prefix=/usr/local/tsung

三、TSUNG的测试脚本

复制代码 
<?xml version="1.0"?>
<!DOCTYPE tsung SYSTEM "/usr/local/tsung/share/tsung/tsung-1.0.dtd">
<tsung loglevel="debug" version="1.0">
    <clients>
        <client host="bogon" maxusers="100000" cpu="1">
      <ip value="192.168.1.152"></ip>
      <ip value="192.168.1.153"></ip>
      <ip value="192.168.1.154"></ip>
      <ip value="192.168.1.155"></ip>
    </client>
    </clients>

    <servers>
        <server host="192.168.1.110" port="61613" type="tcp" />
    </servers>

    <load>
        <user session="mqtt_subscriber" start_time="30" unit="second"></user>
        <arrivalphase phase="1" duration="60" unit="second">
            <users maxnumber="100000" arrivalrate="5000" unit="second"/>
        </arrivalphase>
    </load>

    <sessions>
        <session name="mqtt_publisher" probability="100" type="ts_mqtt">
            <request>
                <mqtt type="connect" clean_start="true" keepalive="10" username="admin" password="password" will_topic="phihome/test" will_qos="0" will_msg="will_msg" will_retain="false"></mqtt>
            </request>

            <for from="1" to="10" incr="1" var="loops">
                <request subst="true">
                    <mqtt type="publish" topic="phihome/test" qos="1" retained="true">test_message</mqtt>
                </request>
            </for>

            <request>
                <mqtt type="disconnect"></mqtt>
            </request>
        </session>
        <session name="mqtt_subscriber" probability="0" type="ts_mqtt">
            <request>
                <mqtt type="connect" clean_start="true" keepalive="10"></mqtt>
            </request>

            <request subst="true">
                <mqtt type="subscribe" topic="test_topic" qos="1"></mqtt>
            </request>

            <request>
                <!-- wait for 60s -->
                <mqtt type="waitForMessages" timeout="60"></mqtt>
            </request>

            <request subst="true">
                <mqtt type="unsubscribe" topic="test_topic"></mqtt>
            </request>

            <request>
                <mqtt type="disconnect"></mqtt>
            </request>
        </session>
    </sessions>
</tsung>
复制代码

四、测试结果总览

 

 

硬件配置

tsung压测客户端配置：i7 8核 32G

mqtt服务器端：i5 4核 6G 128SSD

测试场景

最大连接数

峰值时客户端情况

峰值时服务器端情况

c4cpu+s5g+4gmqtt+nolog

197626

cpu充足，内存充足。

cpu充足，内存有剩余。

c6cpu+s6g+4gmqtt+nolog

281477

cpu充足，内存充足。

cpu充足，内存有剩余。

c6cpu+s6g+2gmqtt+log

287524

cpu充足，内存充足。

cpu充足，内存有剩余。

c6cpu+s6g+4gmqtt+log

283365

cpu充足，内存充足。

cpu充足，内存有剩余。

 

上图测试场景术语介绍：

c4cpu+s5g+4gmqtt+nolog

压测客户端使用了4个cpu进行压测，mqtt服务器端为5g内存，进程启动内存为4g，启动时关闭了日志输出。

c6cpu+s6g+4gmqtt+nolog

压测客户端使用了6个cpu进行压测，mqtt服务器端为6g内存，进程启动内存为4g，启动时关闭了日志输出。

c6cpu+s6g+2gmqtt+log

压测客户端使用了6个cpu进行压测，mqtt服务器端为6g内存，进程启动内存为2g，启动时开启了日志输出。

c6cpu+s6g+4gmqtt+log

压测客户端使用了6个cpu进行压测，mqtt服务器端为6g内存，进程启动内存为4g，启动时开启了日志输出。

 

注：单台Tsung压测官网纯净版mosquitto(单台Broker)，峰值时连接数为197626，后续有追加了另外一台tsung，一共两台机器一起压。

 

单台最大峰值时的连接数截图：

两台最大峰值时的连接数截图：

作者：翎野君 

出处：http://www.cnblogs.com/lingyejun/ 

文章中若未显著标明转载或原文出自某处的文章，则均为博主原创，版权归作者和博客园共有，欢迎转载。 
但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。

0
« 上一篇： 基于TSUNG对MQTT进行压力测试-基础概念温习
» 下一篇： 极光消息推送多环境配置
posted @  2017-12-01 11:50  翎野 阅读( 647) 评论( 0)  编辑  收藏
收录于
MQTT

当前文章被收录于：

MQTT
65 篇文章 3 人学习
订阅专栏 查看详情
海康威视GigE工业相机的python调用demo 默认路径安装完成后，在路径C:\Program Files (x86)\MVS\Development\Samples\Python\BasicDemo下的BasicDemo.py中，海康威视官方提供了基本的调用方法，本文也是基于这个修改的。BasicDemo.py提供了通过枚举选择相机的方法，在官方的另一个DEMO：ConnectSpecCamera.py中提供了另一种不通过枚举，直接访问特定IP相机的方法，也可以参考。另外，如果每台相机都定义了唯一的用户定义名，也可以通过用户定义名来区分相机。 阅读详情

相关推荐

COLMAP性能优化实战：如何用GPU加速和并行计算让重建速度提升300%

本文详细介绍了如何通过GPU加速、并行计算和参数调优显著提升COLMAP的三维重建效率。从硬件资源分配到计算流程优化，再到大型数据集的分块处理策略，全面解析了将重建速度提升300%以上的实用技巧，特别适合处理无人机航拍和室内扫描等大规模三维重建项目。

weixin_29098391的博客 204

Jmeter 实现 mqtt 协议压力测试

包含固定定时器，休眠1000ms，一个发布MQTT Pub Sampler，即每个线程进来执行一次发布消息然后休眠1000ms进入下一次循环。添加一次性控制器（mqtt连接一次，后续pub消息），写上配置信息。，开启1000个线程，1s内将线程创建完毕，无限循环。创建两个计数器，pub_counter用来技术发布消息数，thread_counter用来线程计数。jtl结果文件，也可拉到windows，使用jmeter直接查看，新建线程组->聚合报告，选择jtl文件。等，可在windows下面查看结果。

myh919的博客 881

从零开始：手把手教你做转录组与代谢组的联合分析（含R代码）

本文详细介绍了转录组与代谢组联合分析的全流程，包括数据准备、预处理、差异分析及可视化方法，并提供了实用的R代码示例。通过多组学整合分析，研究者可以更全面地理解生物过程，适用于疾病机制和药物开发等医学研究领域。

weixin_29306317的博客 439

EMQ百万级MQTT消息服务(优化和压测)

如果使用EMQ来承载百万级别的用户连接可以吗?官方的回复是8核心32G的配置能够承载160W台设备的链接,那就究竟性能如何呢?只有你自己试了才知道,本节就带着大家一起有调优系统配置和对EMQ进行压力测试来一探EMQ的庐山真面目 附上: 喵了个咪的博客:w-blog.cn EMQ官方地址:http://emqtt.com/ EMQ中文文档:http://emqtt.com/docs/v2...

文振熙 -- 云计算技术博客站 1万+

“傻瓜”学计量——双重差分DID3（多期双重差分原理+解决方案CSDID原理）

“傻瓜”学计量——双重差分DID3（多期双重差分原理+解决方案CSDID原理）

nnpersistent的博客 5061

省三医院新门诊大楼网络安全建设项目实施方案

为了响应国家建设数字医疗，构建医联网、医共体的号召，新门诊大楼现有计算机网络，实现各门诊室、药房、医学影像科室及后勤科室的终端数据互通。在互联网出口以三层模式部署两台防火墙，作为连接公网的出口设备；出于等保合规和自身业务安全的考虑，现需要该网络上通过网络安全设备实现安全建设。公网出口防火墙，配置攻击防御策略，防御互联网上的病毒进入内网。公网出口防火墙配置攻击防御策略，防御外网对内网的入侵行为。服务器取得边界防火墙，配置攻击防御策略，入侵防御策略。公网出口防火墙配置入侵防御策略，防御外网对内网发起的D。

m0_63645854的博客 2016

MQTT服务端(vert.x mqtt broker)连接总数和并发测试

由于受本地测试环境系统配置、服务器资源、带宽等因素影响，测试结果仅做参考。此次测试主要提供方法思路！ 对于结论的分析有错误的地方恳请大家积极反馈，以免误人子弟！ MQTT连接总量测试 测试环境配置说明 环境 备注 系统 配置 客户端-1 腾讯云服务器-1 ...

sunfragrence的博客 2万+

TC3XX - MCAL知识点（三十八）：AURIX™ TC3xx 的EDSADC实现旋变解码功能（理论知识+手册阅读）

本文系统梳理了英飞凌AURIX系列芯片EDSADC模块的技术手册内容。首先概述了该模块的架构特点，包括模拟/数字输入通道和总线地址信息。重点解析了手册中的关键知识点：1）模拟量输入的差分/单端模式；2）数字量连接的触发、数据源和时钟源选择；3）功能配置中的寄存器操作注意事项；4）输入通道的三种数据来源模式；5）滤波器链的组成和工作原理；6）旋变应用中的载波信号生成和延迟补偿机制。最后对SRM、SAUL、SBLL等专业术语进行了详细解释。全文为理解EDSADC模块的硬件特性和配置方法提供了系统的技术参考。

梦想技术家 596

Tsung压测MQTT

Tsung 最近用Tsung做了大并发的性能测试，记录一下，这里仅介绍xml部分；Tsung用户手册 一个开源的多协议分布式负载测试工具，使用erlang语言开发的。它能用来压力测试HTTP, WebDAV, SOAP, PostgreSQL, MySQL, LDAP 和 Jabber/XMPP的服务器。它可以分布在多个客户机，并能够模拟成千上万的虚拟用户数并发。 clients <clients> <client weight="1" host="moc-test" cpu="4"

weixin_45889646的博客 456

解决【x2openEuler环境检查未通过——CheckRepoCurlActor不通过】问题

摘要：x2openEuler使用默认repo源时出现环境检查失败问题，原因是默认源返回308永久重定向错误。解决方法包括：1）为CentOS主机配置华为yum源；2）在x2openEuler Web界面修改为自定义可用源。具体步骤包括备份原源、下载华为源、清除缓存，并通过curl测试确认新源可用性。最终成功配置openEuler-24.03-LTS-SP1版本的repo源后，环境检查顺利通过。

提供C#相关开发 、云计算、运维测试、网络安全相关技术分享与服务，有意向可联系。 259

BEV和OCC学习-4:数据准备生成pkl文件（NuSences）

info[‘cam_instances’][‘CAM_XXX’][i][‘bbox_3d’]：长度为 7 的列表，以 (x, y, z, l, h, w, yaw) 的顺序表示实例的 3D 边界框。info[‘cam_instances’][‘CAM_XXX’][i][‘bbox’]：2D 边界框标注（3D 框投影的矩形框），顺序为 [x1, y1, x2, y2] 的列表。info[‘cam_instances’][‘CAM_XXX’][i][‘attr_label’]：实例的属性标签。

zfjBIT的专栏 1701

Umi-OCR：免费离线 OCR 文字识别软件，把 80 份扫描件变成可搜索文本

我手头有 80 份扫描版 PDF，要转成能直接搜索、能复制的文本，又不想把文件上传到任何在线识别服务——这次我用 Umi-OCR 把它从头到尾跑完。这是一款完全免费、离线运行的 OCR 软件：图片在本机里进，文字在本机里出，断网照样工作，也不会产生任何费用。 ## 拿到手就能跑，无需安装 发布包是 `.7z` 压缩包（或 `.7z.exe` 自解压包），解压后直接双击 `Umi-OCR.exe

gitblog_00835的博客 798

【软件测试】- 公有云、私有云、混合云简介以及如何在公有云与私有云上分别搭建测试环境

公有云、私有云以及混合云是目前云计算领域的三种主要模式。它们之间的区别主要在于部署方式、数据访问和管理控制的不同。在阿里云或腾讯云上使用 Kubernetes 和 Docker 搭建测试环境可以提供高度的可伸缩性和灵活性。这样的环境非常适合于需要在多种配置和条件下进行测试的复杂应用。通过云服务提供的工具和服务，可以轻松管理和监控整个测试过程。在云服务上搭建测试环境涉及选择合适的云提供商、配置云资源、安装和设置所需软件等步骤。### 1. 选择云服务提供商。

weixin_46453070的博客 2345

基于TSUNG对MQTT进行压力测试-基础概念温习

基于TSUNG对MQTT进行压力测试-基础概念温习[单台Broker压测结果]请移步另一篇博客：http://www.cnblogs.com/lingyejun/p/7941271.html一、TCP报头部中的SYN、FIN、ACK：ACK ： TCP协议规定，只有ACK=1时有效，也规定连接建立后所有发送的报文的ACK必须为1。SYN(SYNchronization) ： 在连接建立时用来同步序...

大JAVA解决方案 646

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")

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

转MQTT压力测试之Tsung的使用

转自：http://www.cnblogs.com/lingyejun/p/7941271.html nTsung测试工具的基本测试命令为 Tsung -f  ~/.tsung/mqtt.xml -l &lt;日志保存路径&gt; start mqtt.xml具体如下（在/usr/share/doc/tsung/examples路径下可查找到）： 官网文档: http://tsung.erlang...

weixin_33862514的博客 337

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

Tsung 使用指南

--- ## 项目介绍 Tsung 是一个开源的分布式负载测试工具，它能够模拟成千上万个用户并发地对 Web 服务器、数据库、LDAP 等进行压力测试。Tsung 支持多种协议包括 HTTP/HTTPS、Websocket、MQTT、XMPP 等，使得它成为了一个非常灵活且强大的性能测试解决方案。该项目由 ProcessOne 开发并维护，它的一大特色是其基于 XML 的配置文件，这使得设置复

gitblog_00119的博客 1180

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

python locust mqtt_Web服务器压力测试要用什么工具

web服务器性能如何，有各种各样的测试方法。要了解自己的服务器的极限，就必须要做压力测试，下面我们来介绍几款web服务器压力测试工具。1、webbenchwebbench是Linux下的一个网站压力测试工具，最多可以模拟3万个并发连接去测试网站的负载能力。下载之后输入命令安装：#tar zxvf webbench-1.5.tar.gz#cd webbench-1.5#make &&...

weixin_39795116的博客 174

Web服务器压力测试工具?

web服务器性能如何，有各种各样的测试方法。要了解自己的服务器的极限，就必须要做压力测试，下面我们来介绍几款web服务器压力测试工具。 1、webbench webbench是Linux下的一个网站压力测试工具，最多可以模拟3万个并发连接去测试网站的负载能力。下载之后输入命令安装： #tar zxvf webbench-1.5.tar.gz #cd webbench-1.5 #make && make install 安装好之后会在当前目录生成webbench可执行文件，用法：w

37度2 1311

【Tsung学习】1.了解软件功能和运行环境

1.【了解软件功能和运行环境】 Tsung是指开源的、多协议的、分布式的压力测试工具。 Tsung的设计目的是模拟真实用户测试基于IP的服务器程序的伸缩性和性能，可以分步在多个客户机，并能够模拟成千上万的虚拟用户数并发。 根据erlang语言开发。   Tsung的主要特点： （1）高性能：负载可以分布在一个集群客户机上； （2）拆建机制支持多协议：目前支持HTTP、WebDAV、S

Abby同学思考的地方 739

python web 服务器压力测试_十款Web服务器性能压力测试工具

一、http_load该程序非常小，解压缩后小于100Khttp_load，并行重用以测试网络服务器的吞吐量和负载。但是与大多数压力测试工具不同，它可以作为一个单独的过程运行，并且通常不会杀死客户端。您也可以测试HTTPS类网站请求。二、webbenchwebbench是Linux下的网站压力测试工具，可以模拟多达30，000个并发连接来测试网站的负载能力。三、apache bench(主要是用来...

weixin_39840153的博客 509
上一篇： Java两则故障分析和常见连接超时时间
下一篇： 基于TSUNG对MQTT进行压力测试-基础概念温习
点赞 0
评论 0
书签 书签 2
王树民
王树民
博客等级 码龄10年 912粉丝 560原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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