JMeter笔记2 | JMeter原理及测试计划要素

简介: JMeter笔记2 | JMeter原理及测试计划要素

1 运行原理

1.1 概述

  • JMeter通过线程组来驱动多个线程运行测试脚本对被测试服务器发起负载;
  • 每个负载机上都可运行多个线程组;
  • 运行场景可在GUI方式中完成,也可使用命令行,其中命令行的运行方式对于负载机的资源消耗更小;

1.2 远程运行

1.2.1 控制机

  • 及被选中作为管理及的那台机器;
  • 可参与运行脚本;
  • 担负着管理远程负载机指挥远程负载机的任务;
  • 收集远程负载机的测试结果。

1.2.2 负载机

  • 即向被测试引用服务器发起负载的机器;
  • 控制机也是一台负载机;
  • 负载机受控制机管理,要启动一个客户端程序(Agent:jmeter-server.bat),此时控制机才可接管负载机。

1.2.3 远程运行逻辑

  • 远程负载机启动Agent程序,待控制机连接;
  • 控制机连接远程负载机;
  • 控制机发送指令(脚本或命令)启动线程;
  • 负载机运行脚本,回传状态(包括测试结果);
  • 控制机收集结果并显示。

2 测试计划要素

一个脚本就是一个测试计划,也是一个管理单元,一个线程代表一个虚拟用户;请求模拟和并发数都在脚本文件中设置。

  • 要素1:脚本中测试计划只能有1个
类似LR中的Controller中的测试场景,一个测试场景只能有一个。在JMeter中脚本是树形结构,测试计划是根节点。
  • 要素2:测试计划中至少要有1个线程组
负载是通过线程组驱动,所以计划中至少要出现一个线程组;也可支持多个线程组,类似LR中的混合场景。
  • 要素3:至少要有1个取样器
测试的目的是模拟用户请求,没有取样脚本就无任何意义了。
  • 要素4:至少要有1个监听器
用来收集测试结果,测试结果可衡量系统性能,分析系统性能。

在这里插入图片描述

【特别说明】:知识来源于网络、各种资料、书本、网站等,本文仅用于学习使用,不做他用,如果涉及版权问题,请联系博主删除,谢谢
目录
相关文章
|
3月前
|
机器学习/深度学习 JSON 算法
实例分割笔记(一): 使用YOLOv5-Seg对图像进行分割检测完整版(从自定义数据集到测试验证的完整流程)
本文详细介绍了使用YOLOv5-Seg模型进行图像分割的完整流程,包括图像分割的基础知识、YOLOv5-Seg模型的特点、环境搭建、数据集准备、模型训练、验证、测试以及评价指标。通过实例代码,指导读者从自定义数据集开始,直至模型的测试验证,适合深度学习领域的研究者和开发者参考。
1085 3
实例分割笔记(一): 使用YOLOv5-Seg对图像进行分割检测完整版(从自定义数据集到测试验证的完整流程)
|
2月前
|
测试技术 持续交付 Apache
Python性能测试新风尚:JMeter遇上Locust,性能分析不再难🧐
Python性能测试新风尚:JMeter遇上Locust,性能分析不再难🧐
96 3
|
3月前
|
测试技术
自动化测试项目实战笔记(三):测试用户注册(验证码错误,成功,出现弹框时处理)
本文是关于自动化测试项目实战笔记,主要介绍了如何测试用户注册功能,包括验证码错误、注册成功以及弹框处理的测试步骤和代码实现。
145 2
自动化测试项目实战笔记(三):测试用户注册(验证码错误,成功,出现弹框时处理)
|
2月前
|
缓存 测试技术 Apache
告别卡顿!Python性能测试实战教程,JMeter&Locust带你秒懂性能优化💡
告别卡顿!Python性能测试实战教程,JMeter&Locust带你秒懂性能优化💡
62 1
|
3月前
|
机器学习/深度学习 弹性计算 自然语言处理
前端大模型应用笔记(二):最新llama3.2小参数版本1B的古董机测试 - 支持128K上下文,表现优异,和移动端更配
llama3.1支持128K上下文,6万字+输入,适用于多种场景。模型能力超出预期,但处理中文时需加中英翻译。测试显示,其英文支持较好,中文则需改进。llama3.2 1B参数量小,适合移动端和资源受限环境,可在阿里云2vCPU和4G ECS上运行。
149 1
|
3月前
|
人工智能 算法 测试技术
自动化测试项目实战笔记(二):解决验证码识别问题
这篇文章介绍了三种自动化测试中验证码识别的方法:使用Python的pytesseract和PIL模块、利用第三方API如万维易源,以及使用开源的ddddocr库,还提到了一些注意事项,比如如何获取验证码区域的截图。
101 2
|
3月前
|
JSON 算法 数据可视化
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
这篇文章是关于如何通过算法接口返回的目标检测结果来计算性能指标的笔记。它涵盖了任务描述、指标分析(包括TP、FP、FN、TN、精准率和召回率),接口处理,数据集处理,以及如何使用实用工具进行文件操作和数据可视化。文章还提供了一些Python代码示例,用于处理图像文件、转换数据格式以及计算目标检测的性能指标。
83 0
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
|
3月前
|
机器学习/深度学习 并行计算 数据可视化
目标分类笔记(二): 利用PaddleClas的框架来完成多标签分类任务(从数据准备到训练测试部署的完整流程)
这篇文章介绍了如何使用PaddleClas框架完成多标签分类任务,包括数据准备、环境搭建、模型训练、预测、评估等完整流程。
195 0
|
3月前
|
机器学习/深度学习 JSON 算法
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
本文介绍了DeepLab V3在语义分割中的应用,包括数据集准备、模型训练、测试和评估,提供了代码和资源链接。
418 0
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
|
3月前
|
机器学习/深度学习 数据采集 算法
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)
这篇博客文章介绍了如何使用包含多个网络和多种训练策略的框架来完成多目标分类任务,涵盖了从数据准备到训练、测试和部署的完整流程,并提供了相关代码和配置文件。
73 0
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)