质量属性之-性能详解

 

        性能与时间有关。性能与事件发生时，将要耗费多长时间做出响应有关。性能是指系统的响应能力----即对外部刺激出反应时所需要的时间或在某段时间内所处的事数。影响性能的因素：事件源的数量和到达模式。到达模式：周期性、随机或偶然。一般用等待时间、处理期限、系统吞吐量、吞吐量 = IOPS * Op size 单位时间内完成的IO数量 x 单个操作的大小，响应时间、延迟  - 系统完成单个操作所需要的时间 = 在队列中等待的时间 + 系统处理的时间。未处理事件、丢失数据等指标了解系统性能。一般而言，计算机提供了许多的资源，包括CPU，内存硬盘等等，提高性能的核心就是充分利用这些资源。要保证对资源的使用是正确和有效的。通常提高性能的考虑包括：利用缓存（空间换时间），设计高效的资源共享，多线程，多进程，锁异步，减少模块见得信息传递，使接口设计传递最小所需的信息，增加系统的可伸缩性，是系统能够有效的部署在分布式的资源上。

 

（一）性能的一般场景：

 

刺激源：刺激来自外部（有可能是多个）或内部源

刺激：刺激是事件到达。可以把到达模式刻画为周期性的、随机的或是偶然的。

制品：总是系统的服务

环境：系统可以处在各种操作模式下，如正常、紧急或超载模式

响应：系统必须处理到达的事件。这可能会导致系统环境的变化。

响应度量：响应度量就是系统处理到达的事件所用的时间（等待时间或必须处理事件的期限）、该时间的变化（抖动）、在某一特定时间间隔内可以处理的事件数量（吞吐量）或对不能处理的事件的描述（缺失率、 数据丢失）。

 

（二）提高性能的方法（性能的战术）：

有三种策略类别（Three tactic categories ）：资源需求（resource demand），

资源管理（resource management），资源仲裁（resource arbitration）。

 

资源需求策略：提高计算效率（改进算法），减少计算开销（旁路引用），管理事件率（降低采样频率），绑定执行次数（限制迭代次数），绑定队列大小。

 

资源管理策略：引入并发性，维护数据或计算的多个副本（客户端缓存），增加可用资源。

 

资源仲裁策略（调度策略）：

先进先出，固定优先级调度（基于语义重要性、期限单调或速率单调），动态优先级调度（循环调度，最早的最后期限优先），静态调度（先发制人点和资源分配顺序脱机确定）。

 

（三）性能在淘宝网中的实例分析：

以2018年淘宝双十一买家购买商品为例：2018年天猫双十一交易额：2135亿。2018天猫双十一实时交易数据：4秒，成交额破1亿元;21秒，成交额突破10亿元;2分05秒，成交额超100亿元;4分20秒，成交额超191亿元;12分14秒，成交额超362亿元;26分03秒，交易额突破500亿元;35分17秒，成交额超571亿元;57分56秒，成交额超666亿元。1小时0分48秒，成交额超672.6亿人民币。在这场购买的狂欢之中我们可以分析下性能在其中的作用。场景：买家购买商品 刺激：购买商品，制品：生成订单，环境：系统正常运行，响应：生成订单后提示用户支付，响应度量：等待时间、判断是否有货。性能与时间有关。事件（中断、消息、用户请求或时间已到）发生时，系统必须做出响应。事件到达和相应有很多特性，但性能基本上与事件发生时，将要耗费系统多长时间做出响应有关。但一味的追求性能，优化下单支付的性能指标、用户体验的流畅度，势必会对其他软件质量属性产生影响，2018年双十一，用户在提交购物车的时候，如果要选择其他的收货地址而不是默认的收货地址，则购物车提交失败，导致整个购买商品的动作失败。解决的办法是：提高计算效率：新的质量控制算法减少计算开销：各种映射，引入并发性：基于MPI的多线程

维护多个副本：结果集缓存,定时+按需：FIFO。

 

（四）对性能的自我理解：

性能我感觉就是对一个软件的测评，就例如windows系统的性能我感觉而言就是比其他系统像Liunx系统性能要好，因为使用方式上，Windows用户更倾向于使用图形界面（GUI）进行相关的操作，他们利用鼠标和界面跟可视化的用户图形界面进行交互。而Linux用户更多的是通过键盘和字符界面，借助丰富而强大的命令行就能对系统操纵自如，这里明显可以看出使用Linux的学习成本是远远高于Windows的。虽然Android 操作系统（安卓）就是基于Linux平台的开源手机操作系统，但是应用方面还是感觉windows系统好用。

第二点对于我们学习的大数据这方面，大数据已经不仅仅是政府用来分析居民生活状态的工具了，现在它被广泛的应用于各个领域。医疗，教育，体育，电影电视剧的制作等等，都用上了大数据。大数据可以用来具体研究某一疾病的治疗，可以记录提高运动员的体育成绩，可以分析金融交易，在多种行业中，大数据都可以用来分析顾客需求，优化业务流程。我们学习的主要是hadoop 跟spark ，Spark在内存中运行速度比hadoop快100倍，在磁盘上运行速度快10倍。Spark在数量只有十分之一的机器上，由处理速度衡量的Spark性能之所以比hadoop 更优：1、每次运行MapReduce任务时，Spark都不会受到输入输出的限制。事实证明，应用程序的速度要快得多。2、Spark的DAG可以在各个步骤之间进行优化。Hadoop在MapReduce步骤之间没有任何周期性连接，这意味着在该级别不会发生性能调整。但是，如果Spark与其他共享服务在YARN上运行，则性能可能会降低并导致RAM开销内存泄漏。出于这个原因，Hadoop被认为是更高效的系统。

对于性能测试来说，个人认为知识面要比知识深度更加重要一点，至少要同时要对操作系统、网络、数据库、前端、语言、通讯协议都有所了解。合格的性能测试应该包含如下能力： 熟悉Java(包括JVM内在机理)/c/c++。 2.精通linux管理和shell编程。理由更简单，shell熟练与否非常大程度决定了一个工程师的工作效率。例如可以用脚本实现linux基本配置的优化，jdk、监控自动化安装等。  对数据库管理和性能优化有自己的实践和心得（数据库永远是性能要点）  说到底，性能是要有相当的知识广度和经验积累。