ACT的摘要可以告诉我们的内容

简介:
摘要报告中将显示阻止测试生成可靠结果的主要错误。它还提供有关 Web 应用程序性能的最重要的信息。
在这些报告中,需要检查以下内容:

常规

该页提供测试运行的一些性能数据,如 Web 服务器每秒可以处理的请求数、测试的持续时间以及发送的总请求数等。
格式不正确的 URL、无效服务器名称或端口号都可能会导致连接问题和其他网络错误。当负载较大时,Web 服务器经常会开始拒绝客户端试图创建的新连接。在负载过于沉重的情况下,首字节响应时间 (TTLB) 值将增加,对于速度较慢的 Web 应用程序经常会导致连接超时。

响应代码

响应代码应在 200 范围以内。400 范围内的响应代码表示客户端出错,而在 500 范围内则表示服务器出错。404 响应代码可能是因为找不到 Web 服务器的内容或者测试请求出错。若要查找负责处理响应代码错误的特定页面,请参阅 请求摘要报告

性能计数器

若要获得有关在测试运行过程中需要监视的性能计数器的建议,请参阅  Web 测试的重要计数器
如果 ACT 客户端的处理器使用率超过 90%,而 Web 服务器的处理器利用率不足,则 ACT 客户端可能不具有在测试过程中生成足够负载的能力。
如果 Web 服务器的处理器使用率太低,请增加 浏览器同时连接数,为下次测试运行增加生成的负载。
Web 服务器性能计数器将提供有关性能瓶颈位置的重要信息,特别是在达不到服务器的处理器速度时。
总之,如果试图确定 Web 服务器和 Web 应用程序的最大容量,需要增加 RPS 或连接数,直到服务器的 CPU 使用率不低于 80%。如果服务器达不到该水平,则处理器使用率可能不是该 Web 应用程序的主要瓶颈。




本文转自 fish_yy 51CTO博客,原文链接:http://blog.51cto.com/tester2test/137557,如需转载请自行联系原作者
目录
相关文章
|
机器学习/深度学习 数据采集 自然语言处理
【文本摘要(2)】pytorch之Seq2Seq(下)
【文本摘要(2)】pytorch之Seq2Seq(上)
123 0
|
3月前
|
机器学习/深度学习 自然语言处理 算法
一个抽取式摘要的应用示例
【10月更文挑战第4天】本文介绍了生成式和抽取式两种摘要算法。生成式摘要通过自然语言生成技术,使用机器学习模型生成新的、精简的句子;抽取式摘要则从文档中提取最能代表内容的句子。文中详细描述了基于TF-IDF的抽取式摘要算法的实现过程,包括计算TF、IDF、句子权重,以及提取摘要的具体步骤。通过示例代码展示了如何实现一个简单的抽取式摘要系统。
111 0
|
5月前
|
自然语言处理
预训练模型STAR问题之Doc2Bot数据集中结构信息的问题如何解决
预训练模型STAR问题之Doc2Bot数据集中结构信息的问题如何解决
|
机器学习/深度学习 自然语言处理 PyTorch
【文本摘要(2)】pytorch之Seq2Seq(上)
【文本摘要(2)】pytorch之Seq2Seq
208 0
|
搜索推荐 安全 数据挖掘
最佳 100 个 GPT-4 提示摘要 [更新]
最佳 100 个 GPT-4 提示摘要 [更新]
|
机器学习/深度学习 自然语言处理 测试技术
【论文速递】CASE 2022 - EventGraph: 将事件抽取当作语义图解析任务
事件抽取涉及到事件触发词和相应事件论元的检测和抽取。现有系统经常将事件抽取分解为多个子任务,而不考虑它们之间可能的交互。
130 0
|
机器学习/深度学习 数据挖掘
【论文写作分析】之一 《基于混合注意力Seq2seq模型的选项多标签分类》
【论文写作分析】之一 《基于混合注意力Seq2seq模型的选项多标签分类》
110 0
【论文写作分析】之一 《基于混合注意力Seq2seq模型的选项多标签分类》
Word 技术篇-文档中不同级别标题自动重新编号设置方法,论文多级编号演示
Word 技术篇-文档中不同级别标题自动重新编号设置方法,论文多级编号演示
1473 0
Word 技术篇-文档中不同级别标题自动重新编号设置方法,论文多级编号演示
|
自然语言处理
NLP:两种方法(自定义函数和封装函数)实现提取两人对话内容(***分隔txt文档),并各自保存为txt文档
NLP:两种方法(自定义函数和封装函数)实现提取两人对话内容(***分隔txt文档),并各自保存为txt文档
NLP:两种方法(自定义函数和封装函数)实现提取两人对话内容(***分隔txt文档),并各自保存为txt文档