PTS 有奖征稿活动官方示例

本文涉及的产品
服务治理 MSE Sentinel/OpenSergo,Agent数量 不受限
任务调度 XXL-JOB 版免费试用,400 元额度,开发版规格
Serverless 应用引擎免费试用套餐包,4320000 CU,有效期3个月
简介: 示例一:新业务上线 【业务场景】公司新作了一个电商服务,近期需要上线,需要提前预估下系统性能表现。 【业务指标】上线后一段时间内(如1个月)预计秒级 浏览:加购:生成订单:支付的比例为10000:8000:6000:5500 的比例。

示例一:新业务上线

【业务场景】
公司新作了一个电商服务,近期需要上线,需要提前预估下系统性能表现。

【业务指标】
上线后一段时间内(如1个月)预计秒级 浏览:加购:生成订单:支付的比例为10000:8000:6000:5500 的比例。能够正常走通流程,下单不出现异常情况。

【业务流程】

  • 登录—登录信息来源于文件参数
  • 浏览商品—商品信息随机数生成
  • 加购—添加到购物车,添加的商品由上一个接口输出
  • 生成订单---购物车中部分商品合并结算,商品id,随机生成
  • 支付订单—支付订单,订单由上一个接口输出

【压测配置信息概要】
资源包购买:因目标是各api的rps 之和为29500,故购买最大4wrps的包。
业务上是一个流式过程,故放在一个串联链路中,按照业务模型进行API配置:

接口:login,输入参数:username、password,来源文件参数
接口:viewProduct,输入参数:productId(系统函数生成),输出参数:productId
接口:addToCart,输入参数:productId
接口:createOrder,输入参数:productId1,productId2,出参:orderId
接口:payOrder,输入参数:orderId,出参:result

压力配置:RPS模式,每个API按照10000:8000:6000:5500的最大RPS配置,起步设为5%
监控信息:云监控集成(服务部署在阿里云上,使用了ECS/RDS/SLB都进行了监控),因服务不是java的无法使用ARMS监控

【压测过程及结论】
首次压测的时候,全局调速30%的时候,发现RT不高但是失败率特别高,根据云监控发现SLB中拒绝链接的请求很多,发现是SLB的规格限制,扩大slb的容量后继续压测。第二次压测在,调速到50%的时候,发现RT比较高,特别是加购、订单生成的API上,根据RDS监控发现CPU内存使用率比较高,到RDS控制台的CloudDba上看到有慢SQL,排查之后再进行压测调速到80%时,发现整体系统负载水位较高,偶尔会出现rt很高的请求,需要进行一次扩容再继续压测,按照比例扩容后,调速到100%压测,并持续运行10分钟,无异常,系统表现良好。



示例二:活动前容量评估

【业务场景】
春节期间会在微信小程序上做一次抽奖活动(手动点击抽样按钮抽奖),提前预估压力

【业务指标】

  1. 预计有5w名用户参与活动,同时抽奖的预计达到5000。
  2. 抽奖活动不可出现异常和数据错乱的问题。

【业务流程】

  • 获取微信个人信息(如头像、昵称等),登录小程序;
  • 打开活动页面;
  • 用户输入要求的个人信息(如商家要求的信息),提交信息;
  • 点击抽奖按钮进行抽奖;
  • 确认保存中奖信息;

【压测配置信息概要】
资源包购买:因目标是5000 并发用户,为了给系统留一些buffer,购买了1w并发资源包,技术上预计系统承载6k-7k的并发位置。
业务上是一个流式过程,故放在一个串联链路中,按照业务模型进行API配置:

接口:getConfig,输入参数:uid,出参:nick_name
接口:activity_page
接口:post_info,输入参数:nick_name/interest_info
接口:lottery,输入参数:nick_name,出参:lottery_result
接口:check_result,输入参数:is_get_prize,出参:result

压力配置:并发模式,自动递增,场景并发5000,起步5%
监控信息:ARMS监控集成(因自身服务不部署在阿里云上,故无法使用云监控)

【压测过程及结论】
首次压测的时候,在并发2000时,出现了比较大的失败率,RT也达到了1000+ms,根据Timing瀑布流及业务信息排查发现,是入口队列较小,排队情况较多导致的。进行了扩容处理,第二次压测在3000并发时,在抽奖API上RT很大,结合Timing和ARMS监控,看到是在数据库操作上比较慢,并且有慢SQL,优化表、和SQL之后,再进行压测。优化后并发在4000时,发现系统压力较大,cpu 和内存使用比例较高,进行扩容之后,再继续压测。扩容后再压测5000并发时,发现API平均RT在800ms左右,CPU消耗在40% 左右。为了留足系统buffer,进行适量扩容之后,压测到6000,发现系统稳定,即压测结束。



相关文章
|
10月前
|
机器学习/深度学习 人工智能 芯片
【AI系统】超异构计算
本文探讨了计算机架构发展的黄金十年,重点介绍了异构计算和超异构计算的概念及其在AI芯片发展中的应用。文章首先回顾了AI芯片发展的三个阶段,随后详细阐述了异构计算的优势和应用场景,如性能飞跃、灵活定制、降低成本和降低功耗。接着,文章分析了超异构计算的出现背景、基本特征及其面临的挑战,包括软件层的复杂性和硬件定义软件与软件定义硬件之间的权衡。最后,展望了超异构计算的未来,强调了跨平台统一计算架构的重要性,以及构建开放生态系统的必要性。
486 5
|
11月前
|
存储 编译器 C语言
C语言函数的定义与函数的声明的区别
C语言中,函数的定义包含函数的实现,即具体执行的代码块;而函数的声明仅描述函数的名称、返回类型和参数列表,用于告知编译器函数的存在,但不包含实现细节。声明通常放在头文件中,定义则在源文件中。
|
Windows 定位技术 弹性计算
|
5G 网络架构
带你读《5G 系统技术原理与实现》——1.3.2 MR-DC 技术
带你读《5G 系统技术原理与实现》——1.3.2 MR-DC 技术
|
SQL 安全 API
记第一次挖洞交洞历程
记第一次挖洞交洞历程
750 0
记第一次挖洞交洞历程
|
Web App开发 数据采集 算法
浅谈 WebRTC 的 Audio 在进入 encoder 之前的处理流程
在 WebRTC 中,Audio 数据在被送入编码器之前,有 2 大部分需要特别关注,一是数据采集,二是 Audio Processing。
浅谈 WebRTC 的 Audio 在进入 encoder 之前的处理流程
|
SQL 缓存 分布式计算
MongoDB 4.4 主要新特性解读
MongoDB 在 3.0 支持新的 WiredTiger 引擎后经过几年的快速奔跑,终于在 4.4 稍作歇息,开始在细节上进行打磨,4.4 发布的新特性很多,下面笔者就针对一些用户关注度比较高的 Feature 进行重点介绍。
4112 0
MongoDB 4.4 主要新特性解读

热门文章

最新文章