我们知道，性能测试的目的是分析判断性能瓶颈并调优，最终得出性能结果来评估系统的性能指标是否满足既定值。
那么，如何能做好分析，显然是非常重要的。
通常来说，对于性能分析有这样一幅阶梯图：
- 工具操作：包括压力工具、监控工具、剖析工具、调试工具。
- 数值理解：包括上面工具中所有输出的数据。
- 趋势分析、相关性分析、证据链分析：就是理解了工具产生的数值之后，还要把它们的逻辑关系想明白。这才是性能测试分析中最重要的一环。
- 调优：这是最后一步，调优的方案策略就有很多种了，具体选择取决于调优成本和产生的效果。
在做性能分析的时候，需要融合以上的能力。高楼老师归纳了性能分析思路大纲：
- 瓶颈的精准判断
- 线程递增的策略
- 性能衰减的过程
- 响应时间的拆分
- 构建分析决策树
- 场景的对比
一、瓶颈的精准判断
通常，在性能测试过程中，我们会不断观察 TPS 和 响应时间的曲线图，从中分析出性能的拐点。值得注意的是：大部分系统其实是没有明确的拐点。
TPS 曲线
通常，如果画一幅示意图来描述 TPS 的衰减过程，大概会如下所示：
- 随着用户数的增加，响应时间也在缓慢增加。
- TPS 前期一直都有增加，但是增加的幅度在变缓，直到变平。
在这样的趋势图中，我们是看不到明确的拐点的。但是可以判断有瓶颈。
所以，TPS 曲线可以明确告诉我们：
- 是否存在瓶颈：准确来说，所有的系统都有性能瓶颈，只不过看我们在哪个量级做性能测试。
- 瓶颈和压力是否有关：TPS 随着压力的变化而变化，那就是有关系。另一种，不管压力增不增加，TPS 都会出现曲线趋势问题，那就是无关。
响应时间 曲线
TPS 用来判断容量有多大，而响应时间则是用来判断业务有多快。
看2个对应的图，分别是线程数和响应时间：
很明显，随着线程的增多，响应时间也在增加。
ok，接着再看一下对应的 TPS 图：
如果这时候我们只看 TPS 曲线，其实也可能判断出：存在瓶颈，和压力有关。到第 40 个线程时，TPS 基本上达到上限，为 2500 左右。
所以说，其实 TPS 就可以告诉我们系统有没有瓶颈了，而响应时间是用来判断业务有多快的。
但是，响应时间会是性能分析调优的重要分析对象。
二、线程递增的策略
递增与一次性加到最大是有很大区别的。
比如，做了2个场景：
这里场景1 就是不合理的。
我们要确定设置的性能场景是正确的，线程是逐渐递增的，而不应该一上来就上几百个线程，这样不符合一般情况下的真实场景。
即便是秒杀场景，真实的生产环境，也会有个数据预热的过程。在预热之后，线程突增产生的压力，也是在可处理范围的。
此外，对于已经 TPS 已经达到上限的情况，再增加更多的线程，除了响应时间的增加，没有其他作用。
这里高楼老师还给出了做性能场景递增的经验值：
- 这个参考递增幅度不是适用所有系统，根据实际的测试过程来做相应的判断
- 响应时间少，递增幅度小。因为响应时间小的话，每个线程产生的TPS就高，如果线程增加多，整体的压力增加的就快，不利于产生明显的性能梯度用来分析。
还要补充一个点：线程递增过程不能断。
原因是保证在测试过程中资源分配的合理性，减少偏差，便于分析出当前环境中的性能瓶颈点。否则断开后系统动态资源会重新分配，造成分析偏差。
三、性能衰减的过程
有了瓶颈的判断能力，也有了线程递增的意识，接下来就要有判断性能衰减的能力。
这是一个压力过程中产生的结果图：
- 在线程达到 24 时，TPS 为 1810.6，也就是每线程每秒发出 75.44 个请求。
- 在线程达到 72 时，TPS 为 4375.1，也就是每线程每秒发出 60.77 个请求。
- 在线程达到 137 时，TPS 为 5034，也就是每线程每秒发出 36.74 个请求。
每线程每秒发出的请求数在变少，但是整体 TPS 是在增加的。继续看下面的分析对比图：
从图1中，找到 TPS 的瓶颈位置在5000，线程数维度大概在30个（红线区分）。
然后通过红线的大致比对可以知道，当每线程每秒的请求数降到 55 左右的时候，TPS 就达到上限了，再接着往上增加线程已经没有用了，响应时间开始往上增加。
这就是性能衰减的过程：
- 只要每线程每秒的 TPS 开始变少，就意味着性能瓶颈已经出现了。
- 但是瓶颈出现之后，并不是说服务器的处理能力下降。
- TPS 仍然会上升，在性能不断衰减的过程中，TPS 就会达到上限。
延伸问题：衰减到最大 TPS 时是否停止场景？
这个还是取决于我们的场景目标：
- 如果我们只是为了得到最大 TPS，那确实可以停止。
- 如果为了让瓶颈更为明显，就不需要停止场景，只要不报错，就接着往上压，
四、响应时间的拆分
当我们选择继续施压来扩大瓶颈，后面的响应时间就会变长，直到超时。
由于在压力工具上看到的响应时间，都是经过了后端的每一个系统的，所以我们就需要拆分响应时间，分析出在哪个阶段变长了。
但是，由于应用的架构不同，拆分的方法也不同。
单应用
对单应用来说，思路大概是这样：
- 查看 Nginx 上的时间。
- 查看 Tomcat 上的时间。
- 看前端浏览器的时间消耗，这里建议使用 Content Download 的时间来描述。
微服务
这种再单个拆就很痛苦了，首先要知道每个系统消耗了多长时间，需要链路监控工具来拆分时间。
不管用什么工具和手段去拆分时间，我们的最终目的就是：得到每个环节消耗了多长时间。
五、构建分析决策树
当我们拆分到了某个环节之后，我们就会知道时间消耗在了哪个节点上，接下来就需要：构建分析决策树，找到问题的根本原因。
如图所示，从压力工具中，只需要知道 TPS、响应时间和错误率三条曲线，就可以明确判断瓶颈是否存在。再通过分段分层策略，结合监控平台、日志平台，或者其他的实时分析平台，知道架构中的哪个环节有问题，然后再根据更细化的架构图一一拆解下去。比如，定位到数据库有问题，那么就要针对数据库进行进一步的决策树拆解。
这个环节是最重要也是最难的一环。
所以，随着性能分析经验的累加，我们需要整理并总结每次遇到的性能问题以及相对应的解决方法，逐步构建自己的分析决策树。
同时我们还要不断扩充自己的知识库：系统架构、操作系统、数据库、缓存、路由等等，并将这些知识与经验结合起来。重新梳理，由大到小，由宏观到细节，去画出自己的分析决策树。
再总结一下决策树：它是对架构的梳理，是对系统的梳理，是对问题的梳理，是对查找证据链过程的梳理，是对分析思路的梳理。它起的是纵观全局，高屋建瓴的指导作用。
六、场景的比对
当你觉得系统中哪个环节不行的时候，作为小白又没能力分析它，你可以直接做该环节的增加，然后比对增加后的效果。
举例，现在有个架构：
对应的测试结果是这样的：
从 TPS 曲线中，我们可以明显看到系统是有瓶颈的，但是并不知道在哪里。
好在系统架构简单，那么我就先尝试在某环节上加上一台服务器，比如：
对增加后的进行测试，结果发现没变。
继续增加其他节点：
这时候，TPS跟着上去了。
这就是场景比对。但是，局限也很大：只适用架构并不复杂的系统。
七、总结
快速了解了分析中的各个主要环节要做的事情和注意的点。而这里的每一个环节，又有非常多的细分，特别是构建分析决策树这一块，它需要太多的架构知识、系统知识、数据库知识等等。
对于我这种小白来说，是打开了思路，后续要做的就是实践的积累和知识的补充。
本文参考：
高楼老师 性能测试实战30讲
