零基础学习性能测试第六章：性能难点-Jmeter实现海量用户压测

一、海量压测核心挑战与解决思路

二、分布式压测集群搭建（百倍性能提升）

1. 架构设计

2. 实战步骤

Step 1：从机配置（每台从机执行）

jmeter-server -Djava.rmi.server.hostname=192.168.1.101

Step 2：主机配置

# jmeter.properties
remote_hosts=192.168.1.101:1099,192.168.1.102:1099,192.168.1.103:1099

Step 3：启动压测

jmeter -n -t test.jmx -R 192.168.1.101,192.168.1.102,192.168.1.103

三、百万级用户参数化方案

1. Redis预生成测试数据

# Python生成千万用户数据到Redis
import redis
import uuid

r = redis.Cluster([{'host':'redis-node1','port':6379}])

for i in range(1, 10_000_000):
    r.set(f"user:{i}:id", str(uuid.uuid4()))

2. JMeter分段读取（避免内存溢出）

// BeanShell脚本动态获取Redis数据
import redis.clients.jedis.*;

JedisCluster jedis = new JedisCluster(new HostAndPort("redis-node1", 6379));
String userId = jedis.get("user:" + ${__threadNum} + ":id");
vars.put("dynamicUserId", userId);

3. CSV分片策略

# 将100万用户拆分为200个CSV
split -l 5000 big_users.csv user_chunk_

# JMeter用循环控制器读取不同文件
${__groovy(new File("data/user_chunk_" + (${__threadNum} % 200) + ".csv"))}

四、高并发优化配置模板

1. jmeter.properties 关键修改

# 关闭GUI组件节省内存
jmeter.save.saveservice.default_delimiter=,
jmeter.save.saveservice.print_field_names=false

# 提升网络吞吐量
httpclient4.retrycount=0
httpclient4.time_to_live=60000
httpclient.reset_state_on_thread_group_iteration=true

# 增大JVM内存（每台从机）
java -Xms4g -Xmx8g -jar ApacheJMeter.jar

2. 线程组配置技巧

<ThreadGroup guiclass="ThreadGroupGui" testclass="ThreadGroup" enabled="true">
  <name>百万用户压测</name>
  <elementProp name="ThreadGroup.main_controller" elementType="LoopController">
    <boolProp name="LoopController.continue_forever">false</boolProp>
    <intProp name="LoopController.loops">-1</intProp> <!-- 无限循环 -->
  </elementProp>
  <intProp name="ThreadGroup.num_threads">5000</intProp> <!-- 单机线程数 -->
  <intProp name="ThreadGroup.ramp_time">300</intProp> <!-- 300秒内启动 -->
  <longProp name="ThreadGroup.start_time">0</longProp>
  <longProp name="ThreadGroup.end_time">0</longProp>
  <boolProp name="ThreadGroup.scheduler">true</boolProp>
  <longProp name="ThreadGroup.duration">3600</longProp> <!-- 持续1小时 -->
</ThreadGroup>

五、结果收集与监控方案

1. 轻量级结果存储

<!-- 禁用图形化监听器 -->
<ResultCollector guiclass="SimpleDataWriter" testclass="ResultCollector">
  <filename>results_${__time(YMD)}.jtl</filename>
  <boolProp name="ResultCollector.error_logging">false</boolProp>
</ResultCollector>

2. 实时监控看板

# 使用InfluxDB + Grafana
jmeter -Jinfluxdb.url=http://monitor:8086 -Jinfluxdb.db=jmeter

Grafana看板效果：

六、海量压测实战案例：双11级流量模拟

测试目标：

• 模拟100万并发用户
• 持续高峰30分钟
• 验证系统极限能力

实施步骤：

1. 环境准备：

   # 100台4核8G压测机（AWS c5.xlarge）
   docker run -d --name jmeter-slave \
     -e ROLE=slave \
     -e SERVER_PORT=1099 \
     -p 1099:1099 \
     jmeter-docker:5.4.1
   

2. 流量模型设计：

   业务	占比	目标QPS	参数策略
   商品查询	60%	120,000	Redis预加载商品ID
   下单支付	20%	40,000	分段CSV用户数据
   秒杀活动	15%	30,000	Redis原子计数器
   评论浏览	5%	10,000	随机读取

3. 异常处理机制：

   // BeanShell脚本实现请求重试
   int maxRetry = 3;
   for (int i=0; i<maxRetry; i++) {
       try {
           SampleResult = org.apache.jmeter.protocol.http.sampler.HTTPSamplerProxy.sample(prev, sampler);
           if (SampleResult.getResponseCode().equals("200")) break;
       } catch (Exception e) {
           log.error("Retry " + i + " failed: " + e);
       }
   }
   

结果验证：

七、避坑指南：海量压测5大陷阱

1. 时间不同步问题
   现象：分布式集群时间差导致结果混乱
   解决：每台机器部署NTP服务同步时间

   sudo timedatectl set-ntp true
   

2. TCP端口耗尽
   现象：Cannot assign requested address
   解决：优化内核参数

   sysctl -w net.ipv4.ip_local_port_range="1024 65535"
   sysctl -w net.ipv4.tcp_tw_reuse=1
   

3. 变量竞争冲突
   现象：多线程修改全局变量导致数据错乱
   解决：使用线程局部变量

   vars.putObject("userCache_" + __threadNum, new HashMap());
   

4. 日志磁盘写满
   现象：压测中磁盘空间不足
   解决：日志分级存储 + 定时清理

   <jmeter.logger.LoggingManager>
     <priority>ERROR</priority> <!-- 只记录错误日志 -->
   </jmeter.logger.LoggingManager>
   

5. 施压机资源争抢
   现象：主控机CPU 100%无法调度
   解决：主控机只做调度，禁用测试执行

   mode=Statistical # 主控机只接收统计数据
   

八、性能优化技巧（提升3倍效率）

1. 协议优化：

   <HTTPSampler>
     <protocol>http/2</protocol> <!-- 启用HTTP/2复用连接 -->
   </HTTPSampler>
   

2. 数据精简：

   // 使用二进制协议替代JSON
   byte[] payload = ProtobufUtils.serialize(user);
   sampler.addArgument("", new ByteArrayEntity(payload));
   

3. 智能思考时间：

   // 高斯分布模拟真实用户停顿
   ${__Random(500,2000)}ms 改为 
   ${__groovy(org.apache.commons.math3.distribution.NormalDistribution(1000,300).sample())}
   

九、扩展方案：云原生压测平台

实现价值：

• 弹性伸缩：按需自动扩缩压测节点
• 资源利用率：压测结束后自动释放资源
• 一站式管理：脚本/场景/报告全生命周期管理

通过以上方案，您将能：
✅ 突破单机限制实现百万并发
✅ 高效管理海量测试数据
✅ 精准模拟真实用户行为
✅ 快速定位性能瓶颈
✅ 构建企业级压测平台

行动建议：从千级并发开始验证方案，逐步提升到目标量级，每次压测后分析资源瓶颈点！