[et_pb_section fb_built=”1″ admin_label=”section” _builder_version=”4.27.6″ custom_margin=”0px||||false|false” custom_padding=”0px||||false|false” global_colors_info=”{}”][et_pb_row admin_label=”row” _builder_version=”4.27.6″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” custom_margin=”0px||||false|false” custom_padding=”0px||||false|false” global_colors_info=”{}”][et_pb_column type=”4_4″ admin_label=”Column” _builder_version=”4.27.6″ custom_padding=”0px||||false|false” global_colors_info=”{}” custom_padding__hover=”|||”][et_pb_image src=”https:\/\/www.loadview-testing.com\/wp-content\/uploads\/hero-realistic-traffic-patterns.webp” alt=”Performance engineer reviewing traffic pattern graphs for an enterprise application load test” title_text=”hero-realistic-traffic-patterns” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/et_pb_image][et_pb_text admin_label=”Text” _builder_version=”4.27.6″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” global_colors_info=”{}”]Die meisten Enterprise-Lasttests beginnen mit einer Zahl, die jemand in einem Meeting ausgew\u00e4hlt hat. F\u00fcnftausend virtuelle Nutzer. Zehntausend. Der Test besteht, der Bericht wird abgelegt und die Anwendung st\u00fcrzt dennoch am ersten Montag des Quartals ab.<\/p>\n
Runde Zahlen sind leicht zu vereinbaren und sagen fast nichts aus. Echter Traffic kommt in Sch\u00fcben an, verteilt sich ungleichm\u00e4\u00dfig \u00fcber Funktionen und ver\u00e4ndert seine Zusammensetzung genau in dem Moment, in dem das Volumen seinen H\u00f6hepunkt erreicht. Ein Test, der eine gleichm\u00e4\u00dfige Wand von identischen Anfragen sendet, durchl\u00e4uft einen anderen Codepfad als die Produktion, mit Cache-Verhalten, Abfragepl\u00e4nen und Sperrkonflikten, die keinerlei Verbindung zum Livesystem haben.<\/p>\n
So bauen Sie ein Traffic-Modell aus Daten, die Sie bereits sammeln, und wie Sie es ausf\u00fchren, damit die Ergebnisse aussagekr\u00e4ftig sind.<\/p>\n
Drei Dinge bringen Teams zum Straucheln, die direkt von einer Personenzahl zu einem laufenden Test \u00fcbergehen.<\/p>\n
Gleichzeitigkeit und Ankunftsrate sind nicht dieselbe Zahl.<\/strong> Wenn ein Stakeholder sagt: \u201eWir m\u00fcssen 5.000 Benutzer bew\u00e4ltigen\u201c, fragen Sie, welche Zahl er meint. F\u00fcnftausend Personen, die simultan eingeloggt sind, sind ein v\u00f6llig anderer Test als f\u00fcnftausend Sitzungen, die jede Stunde starten. Verstehen Sie das gro\u00dfz\u00fcgig falsch, verbringen Sie Wochen damit, f\u00fcr eine Last zu optimieren, die nie auftauchen wird. Verstehen Sie es falsch in die andere Richtung, sagt der Test Ihnen nichts. Gleichzeitige Benutzertests<\/a> machen nur dann Sinn, wenn Sie wissen, auf welche der beiden Zahlen Sie abzielen. Dies ist die Trennung zwischen einem ankunftsratengetriebenen Modell, das widerspiegelt, wie Nutzer tats\u00e4chlich erscheinen, und einem gleichzeitigkeitgetriebenen Modell, das eine feste Population im System h\u00e4lt. \u00d6ffentlich zug\u00e4nglicher Traffic ist fast immer das erste. Systeme mit einer begrenzten Benutzerbasis \u2013 Callcenter-Desktops, lizenzierte Arbeitspl\u00e4tze, Agentenportale \u2013 verhalten sich tats\u00e4chlich wie das zweite.<\/p>\n Traffic hat eine Form, und die Form macht den Schaden.<\/strong> Verbindungs-Pools, Autoscaling-Gruppen und JIT-erw\u00e4rmte Anwendungsserver reagieren auf die \u00c4nderungsrate, nicht nur auf die Obergrenze. Ein System, das 2.000 gleichzeitige Benutzer problemlos handhabt, kann auf dem Weg zu 2.000 scheitern, wenn es diese Zahl in neunzig Sekunden erreicht.<\/p>\n Die Transaktionsmischung ver\u00e4ndert sich mit dem Volumen.<\/strong> Bei durchschnittlichem Volumen sieht eine E-Commerce-Seite meist Browsing. W\u00e4hrend eines Blitzverkaufs nehmen Checkout- und Bestandsanfragen einen viel gr\u00f6\u00dferen Anteil der gleichen Anfragezahl ein. Die Gesamtzahl sieht auf einem Dashboard identisch aus. Die Datenbanklast nicht.[\/et_pb_text][et_pb_image src=”https:\/\/www.loadview-testing.com\/wp-content\/uploads\/flat-load-vs-shaped-load.webp” alt=”Comparison of a flat virtual user load test against a shaped arrival curve with varying transaction mix” title_text=”flat-load-vs-shaped-load” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/et_pb_image][et_pb_text admin_label=”Text” _builder_version=”4.27.6″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” global_colors_info=”{}”]<\/p>\n Eine konstante virtuelle Benutzerzahl und eine geformte Ankunftskurve k\u00f6nnen denselben durchschnittlichen Durchsatz erzeugen, w\u00e4hrend sie v\u00f6llig unterschiedliche Teile des Stacks belasten.<\/strong><\/p>\n Sie ben\u00f6tigen keine neue Instrumentierung. Das meiste davon wird bereits irgendwo auf der Festplatte geschrieben. Die Arbeit besteht darin, diese Daten zu Sessions zusammenzuf\u00fcgen und Bot-Traffic herauszufiltern, bevor Sie etwas z\u00e4hlen.<\/p>\n [\/et_pb_text][dipl_advanced_table columns_number=”2″ row_spacing=”1px” admin_label=”DP Advanced Table” _builder_version=”4.27.6″ _module_preset=”default” header_text_font_size=”15px” table_cell_text_font_size=”15px” global_colors_info=”{}”][dipl_advanced_table_item cell_value=”Quelle” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Was daraus gezogen werden soll” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Webserver- und Load-Balancer-Zugriffsprotokolle” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Anfragen pro Sekunde nach Endpunkt, Statuscodeverteilung, der genaue Zeitstempel Ihrer verkehrsreichsten Stunde” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”APM oder Real User Monitoring (Dynatrace, Datadog, New Relic)” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Sitzungsdauer, Zeit zwischen Seitenaufrufen, tats\u00e4chliche Denkpause zwischen Interaktionen” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Web-Analytics (GA4 Exporte, Adobe Analytics)” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Sitzungen pro Stunde, Ger\u00e4te- und Browseraufteilung, Geografie, Einstiegsseiten” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”CDN-Protokolle (CloudFront, Fastly, Akamai)” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Cache-Hit-Rate, Ursprungs-Entlastungsrate, welche Assets nicht getroffen werden” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Identit\u00e4tsanbieter- oder SSO-Protokolle (Okta, Entra ID)” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Login-Rate und Sitzungs-Gleichzeitigkeit, oft das einzige verwertbare Signal f\u00fcr interne Anwendungen” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Batch-Scheduler und Datenbank” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Was sonst noch w\u00e4hrend Ihres Spitzenfensters l\u00e4uft” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][\/dipl_advanced_table][et_pb_text admin_label=”Text” _builder_version=”4.27.6″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” global_colors_info=”{}”]<\/p>\n Interne Enterprise-Anwendungen haben meist gar keine Analytics-Tags. Authentifizierungsprotokolle und Anwendungsserver-Protokolle \u00fcberbr\u00fccken die L\u00fccke \u2013 Login-Ereignisse geben Ihnen die Ankunftsrate, und die Zeit zwischen der ersten und letzten Anfrage pro Sitzung gibt Ihnen die Dauer.<\/p>\n [\/et_pb_text][et_pb_image src=”https:\/\/www.loadview-testing.com\/wp-content\/uploads\/traffic-model-inputs.webp” alt=”Diagram showing production data sources feeding into a traffic model with arrival rate, transaction mix, think time, and geography” title_text=”traffic-model-inputs” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/et_pb_image][et_pb_text admin_label=”Text” _builder_version=”4.27.6″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” global_colors_info=”{}”]<\/p>\n Vier Ausgaben definieren das Modell: Ankunftsrate, Transaktionsmix, Denkzeitverteilung und geografische Aufteilung.<\/strong><\/p>\n Nicht \u201eSpitzen-Traffic\u201c. Eine bestimmte Stunde an einem bestimmten Datum, entnommen aus Ihren Protokollen. Nehmen Sie die Stunde mit dem h\u00f6chsten Durchsatz der letzten zw\u00f6lf Monate, dann w\u00e4hlen Sie ein zweites Fenster, das Ihr schwerstes Business-Event abdeckt \u2013 Monatsabschluss, offene Anmeldung, Black Friday, Quartalsberichte. Modellieren Sie beide. Sie haben fast nie dieselbe Form.<\/p>\n Anfragen pro Sekunde sind die einfachste Zahl zum Abrufen und die am wenigsten stabile. Ver\u00f6ffentlichen Sie ein Frontend-Release, das drei API-Aufrufe zu einem b\u00fcndelt, reduziert sich Ihre Anfragezahl um ein Drittel, obwohl sich die Nachfrage nicht \u00e4ndert. Sitzungen pro Stunde verfolgen, was Benutzer tats\u00e4chlich tun. Die Diskrepanz ist am gr\u00f6\u00dften bei Single-Page-Anwendungen, bei denen ein Klick sich auf ein Dutzend Hintergrund-API-Aufrufe ausweitet.<\/p>\n Ziehen Sie Sitzungen pro Stunde f\u00fcr Ihr Zeitfenster, plus den Mittelwert und das 90. Perzentil der Sitzungsdauer. Behalten Sie beide Zahlen \u2013 der Anteil der langen Sitzungen ist in Schritt drei wichtig.<\/p>\n Little\u2019s Law verbindet Ankunftsrate mit Gleichzeitigkeit:<\/p>\n Gleichzeitige Sitzungen = Sitzungen pro Stunde \u00d7 (durchschnittliche Sitzungsdauer in Minuten \u00f7 60)<\/strong><\/p>\n 18.000 Sitzungen\/Stunde \u00d7 (6 Minuten \u00f7 60) = 1.800 gleichzeitige Sitzungen<\/p>\n F\u00fchren Sie 18.000 gleichzeitige virtuelle Benutzer<\/a> gegen diese Anwendung aus, haben Sie etwas getestet, das zehnmal gr\u00f6\u00dfer als Ihr tats\u00e4chlicher Spitzenwert ist. Sie werden einen Test nicht bestehen, den Sie ansonsten bestanden h\u00e4tten, und anschlie\u00dfend eine Sprints lang einen Engpass jagen, den die Produktion niemals erreichen w\u00fcrde.<\/p>\n Little\u2019s Law nutzt den Mittelwert, behandeln Sie P90 als separate Bemessungskontrolle und nicht als zweite Messung der Formel. F\u00fcttern Sie mit einem 22-min\u00fctigen P90 neben dem 6-min\u00fctigen Mittelwert, und Sie erhalten etwa 6.600 \u2014 die Gleichzeitigkeit, die Sie besitzen w\u00fcrden, wenn jede Sitzung so lange l\u00e4uft wie Ihr langsamstes zehntel. Bewusst pessimistisch, und die Zahl, die f\u00fcr die Kapazit\u00e4tsplanung<\/a> von Bedeutung ist, wenn lange Sitzungen knappe Ressourcen halten wie Berichts-Threads oder Datenbankverbindungen.<\/p>\n Gruppieren Sie Endpunkte in Gesch\u00e4ftstransaktionen statt URLs: suchen, Detail anzeigen, zum Warenkorb hinzuf\u00fcgen, Anspruch einreichen, Bericht exportieren, Gehaltsabrechnung ausf\u00fchren. Dann erfassen Sie zwei Mischungen \u2013 den Anteil jeder Transaktion am gesamten Traffic w\u00e4hrend des Zeitfensters und ihren Anteil in der verkehrsreichsten Minute.<\/p>\n Wenn sich diese beiden Mischungen bei einer Transaktion um mehr als wenige Prozentpunkte unterscheiden, bauen Sie beide in den Test ein und f\u00fchren sie als separate Szenarien aus. Ein Test, der nur auf dem Stundenmix basiert, wird diejenige Transaktion, die am st\u00e4rksten w\u00e4hrend der Spitze ansteigt, unterlasten.<\/p>\n Raten Sie nicht bei der Denkzeit und verwenden Sie keine Konstante. Eine feste f\u00fcnfsek\u00fcndige Pause synchronisiert jeden virtuellen Benutzer zu einer Marschkolonne, die die Anwendung im Gleichschritt trifft und spitze Durchsatzspitzen<\/a> erzeugt, die keine echte Population je erzeugt.<\/p>\n Ziehen Sie die Zeitspanne zwischen aufeinanderfolgenden Seitenladungen in echten Sitzungen aus RUM- oder APM-Daten und reproduzieren Sie sie als Verteilung. Enterprise-Nutzer sind oft bimodal: kurze Pausen beim Klicken durch einen ihnen bekannten Ablauf, lange Pausen beim Lesen eines Dokuments oder beim Telefonieren.<\/p>\n Tragen Sie die Sitzungsanzahl pro Minute \u00fcber Ihr Zeitfenster auf und formen Sie die Testanlaufphase entsprechend. Drei Formen decken die meisten Enterprise-Anwendungen ab:<\/p>\n Nehmen Sie die geografische Aufteilung aus Analytics oder CDN-Protokollen und erzeugen Sie Last aus genau diesen Regionen. Es geht hier nicht nur darum, die Latenz f\u00fcr entfernte Nutzer zu messen. Latenz wirkt sich auf die Gleichzeitigkeit aus: Eine Sitzung, die durch eine 280 ms Hin- und R\u00fcckreise offen gehalten wird, dauert l\u00e4nger als dieselbe Sitzung auf einer 20 ms Verbindung, sodass identische Ankunftsraten eine h\u00f6here Gleichzeitigkeit erzeugen. Tests aus nur einer Region verbergen das vollst\u00e4ndig.<\/p>\n Ein Datensatz f\u00fcr jeden virtuellen Benutzer.<\/strong> Gleicher Login, gleiche Produkt-ID, gleiche Kontonummer \u00fcber zehntausend Nutzer hinweg und Ihre Cache-Trefferquote steigt auf nahezu 100%. Produktion verh\u00e4lt sich nicht so. Parametrisieren Sie mit einem Datenbestand, der realistische Kardinalit\u00e4ten abbildet \u2013 ein Kontopool, eine SKU-Liste, eindeutige Bestell-IDs pro Testlauf \u2013 und vergleichen Sie vor Vertrauensw\u00fcrdigkeit eines Ergebnisses die Cache-Trefferquote im Test mit der in Produktion.<\/p>\n Keine andere Last w\u00e4hrend des Spitzenwerts.<\/strong> Enterprise-Spitzenzeiten kollidieren mit geplanten Arbeiten: n\u00e4chtliche ETL-Prozesse, Index-Rebuilds, Berichtserstellung, Backup-Zeiten, Nachholarbeiten bei Replikationen. L\u00e4uft der Abstimmungsjob um 2 Uhr morgens und Ihre Spitzenzeit f\u00fcr Batch-Integrationen ist ebenfalls um 2 Uhr, misst eine saubere Testumgebung ohne Hintergrundlast ein System, das Sie nicht betreiben.<\/p>\n Nur Protokolltests bei browserlastigen Anwendungen.<\/strong> Ein HTTP-Level-Test spielt die zur Aufnahmezeit erfassten Anfragen ab. Er wird kein JavaScript ausf\u00fchren, keine Lazy-Loaded Calls feuern, keine Drittanbieter-Tags laden oder Renderings vornehmen. F\u00fcr Single-Page-Anwendungen oder umfangreiche interne Portale l\u00e4sst das den Gro\u00dfteil der tats\u00e4chlichen Arbeiten des Clients au\u00dfer Acht \u2013 und alle Prozesse, die bestimmen, was der Nutzer sieht. Web-Anwendungslasttests<\/a> in echten Browsern sind der einzige Weg, Client-seitige Rendering-Leistung unter Last zu messen.<\/p>\n Nur der Happy Path.<\/strong> Echter Traffic beinhaltet verwaiste Warenk\u00f6rbe, Back-Button-Schleifen, fehlgeschlagene Logins, abgelaufene Tokens und ungeduldige Doppelklicks. Fehlgeschlagene Logins sind einen eigenen Szenario wert: Sie treffen den Identit\u00e4tsanbieter, umgehen meist den Cache und l\u00f6sen oft Sperrlogiken aus, die zus\u00e4tzliche Schreibvorg\u00e4nge erzeugen.<\/p>\n Drei immer wiederkehrende Muster und was jedes vom Modell verlangt.<\/p>\n Der Anstieg ist nahezu senkrecht und der Mix reduziert sich auf drei Transaktionen: Produktdetail, zum Warenkorb hinzuf\u00fcgen, Checkout. Wenn die Produktseite cachebar ist, verbessert sich die CDN-Hit-Rate sogar, weil alle dasselbe Top-Produkt anfragen, was einen naiven Test leicht aussehen l\u00e4sst. Der Druck f\u00e4llt auf die nicht cachebaren Aufrufe \u2013 Bestandspr\u00fcfungen, Warenkorbschreibungen, Zahlungsautorisierungen \u2013 alle gleichzeitig am Ursprung mit Zeilensperrkonflikten bei einer einzigen SKU. Modellieren Sie den Mix f\u00fcr die Minute der Spitze, nicht f\u00fcr die Stunde.<\/p>\n Das Sitzungsaufkommen ist unauff\u00e4llig. Die Sitzungsdauer nicht. Berichts-Exporte und Batch-Buchungen dauern mehrere Minuten, sodass die Gleichzeitigkeit steigt, auch wenn die Ankunftsrate flach erscheint \u2013 Little\u2019s Law arbeitet gegen Sie. Au\u00dferdem liegt es auf dem Batch des Monatsabschlusses, sodass Hintergrundlast Teil des Tests ist. Teilen Sie die lang laufenden Berichts- und Buchungsnutzer in eine eigene Transaktionsklasse mit eigener Dauer, statt sie in einen einzigen Durchschnitt einzurechnen.<\/p>\n Wochen mit erh\u00f6htem Traffic mit einem starken Peak in den letzten zwei Tagen. Sitzungen dauern lang, weil Menschen Planunterlagen lesen, und sie sind authentifizierungs- und downloadintensiv. Der mehrw\u00f6chige Teil ist Endurance Testing<\/a>, bei dem Speicherlecks, Ersch\u00f6pfung von Verbindungspools und Protokollvolumen wichtiger sind als die Spitzen-Gleichzeitigkeit. Der Spitzenpeak am Ende ben\u00f6tigt ein eigenes Modell.<\/p>\n Ist das Modell erstellt, folgt daran die Testkonfiguration. LoadView bietet drei Lastkurventypen<\/a>, und Ihr Modell sagt Ihnen, welchen Sie w\u00e4hlen:<\/p>\n [\/et_pb_text][dipl_advanced_table columns_number=”2″ row_spacing=”1px” admin_label=”DP Advanced Table” _builder_version=”4.27.6″ _module_preset=”default” header_text_font_size=”15px” table_cell_text_font_size=”15px” global_colors_info=”{}”][dipl_advanced_table_item cell_value=”Lastkurve” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Verwenden Sie sie, wenn Ihr Modell sagt” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Load Step Curve” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Sie eine Ziel-Gleichzeitigkeit haben und sehen m\u00f6chten, wo die Antwortzeit auf dem Weg nach oben abnimmt” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Goal-based Curve” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Ihr Modell als Durchsatz ausgedr\u00fcckt ist \u2013 Transaktionen oder Sitzungen pro Intervall \u2013 oder Sie eine SLA validieren” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Dynamic Adjustable Curve” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Sie die Last und regionale Verteilung w\u00e4hrend des Laufs ver\u00e4ndern m\u00f6chten, um den Punkt zu finden, wo das System einbricht” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][\/dipl_advanced_table][et_pb_text admin_label=”Text” _builder_version=”4.27.6″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” global_colors_info=”{}”]<\/p>\n Zeichnen Sie den Sitzungsablauf mit dem EveryStep Web Recorder<\/a> auf, sodass das Skript genau denselben Pfad abl\u00e4uft wie ein Nutzer, in einem echten Browser, sowohl auf Desktop- als auch auf mobilen Browsern, wie Ihre Analytics zeigen. Stellen Sie die regionale Aufteilung \u00fcber das geo-verteilte Lastinjektionsnetzwerk<\/a> ein, um Schritt sieben Ihres Modells zu erf\u00fcllen.<\/p>\n F\u00fcr Anwendungen, die nie das \u00f6ffentliche Internet ber\u00fchren, f\u00fchren Inhouse-Injektoren Lasttests hinter Ihrer Firewall<\/a> durch und melden an dieselbe Plattform \u2013 so wird der meiste interne ERP- und Portalttraffic \u00fcberhaupt modelliert.<\/p>\n Ein Traffic-Modell ist eine Hypothese, bis Sie seine Ergebnisse mit der Realit\u00e4t vergleichen. Erfassen Sie Backend-Daten w\u00e4hrend des Tests \u2013 Datenbank-Warteereignisse, Verbindungs-Pool-S\u00e4ttigung, Warteschlangentiefe, Autoscaling-Aktivit\u00e4ten, CDN-Ursprungsabrufrate, Identit\u00e4tsanbieter-Drosselung. Diese Signale erkl\u00e4ren die folgenden Zahlen.<\/p>\n Stellen Sie nach dem Lauf f\u00fcnf Messwerte neben jene aus Produktion f\u00fcr dasselbe Zeitfenster:<\/p>\n Analysieren Sie danach Ihre Lasttestergebnisse<\/a> basierend auf diesen f\u00fcnf Punkten, passen Sie das Skript an und f\u00fchren Sie den Test erneut durch. Zwei Iterationen reichen meist aus, um ein Modell zu erstellen, dem Sie vertrauen k\u00f6nnen.<\/p>\n [\/et_pb_text][et_pb_accordion open_toggle_text_color=”#42526e” open_toggle_background_color=”#FFFFFF” closed_toggle_background_color=”#FFFFFF” toggle_icon=”L||divi||400″ icon_color=”#0C71C3″ use_icon_font_size=”on” icon_font_size=”20px” admin_label=”Accordion” _builder_version=”4.27.6″ _module_preset=”default” toggle_text_color=”#42526e” body_text_color=”#42526e” global_colors_info=”{}”][et_pb_accordion_item title=”Wie viele virtuelle Benutzer brauche ich tats\u00e4chlich?” open=”on” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”]<\/p>\n Berechnen Sie sie aus Sitzungen pro Stunde und durchschnittlicher Sitzungsdauer, statt eine runde Zahl zu w\u00e4hlen. Ein System, das 18.000 Sitzungen pro Stunde mit einer durchschnittlichen Sitzungsdauer von sechs Minuten verarbeitet, hat etwa 1.800 gleichzeitige Sitzungen, nicht 18.000. Wenden Sie dieselbe Formel auf Ihre P90-Sitzungsdauer an, um eine pessimistische Bemessung zu erhalten, die Sie in der Kapazit\u00e4tsplanung nutzen k\u00f6nnen.<\/p>\n [\/et_pb_accordion_item][et_pb_accordion_item title=”Kann ich einfach den Produktionstraffic statt eines Modells abspielen?” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}” open=”off”]<\/p>\n Replay ist n\u00fctzlich, um ein bereits erstelltes Modell zu validieren. Allein hat es jedoch erhebliche Grenzen: Der aufgezeichnete Traffic enth\u00e4lt pers\u00f6nliche Daten, die Sie bereinigen m\u00fcssen, Sitzungstoken, die ablaufen, und zustandsbehaftete Schreibvorg\u00e4nge, die nicht sicher wiederholbar sind. Und es kann das aufgezeichnete Volumen nicht \u00fcbersteigen, genau das Volumen, das Sie am dringendsten \u00fcbersteigen m\u00fcssen.<\/p>\n [\/et_pb_accordion_item][et_pb_accordion_item title=”Wie oft sollte das Traffic-Modell neu erstellt werden?” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}” open=”off”]<\/p>\n Nach jedem Release, das das Frontend oder den Nutzerfluss \u00e4ndert, nach jeder gesch\u00e4ftlichen \u00c4nderung, die den Transaktionsmix verschiebt, und vor jedem bekannten Gro\u00dfereignis. Viertelj\u00e4hrlich ist eine angemessene Frequenz f\u00fcr stabile Anwendungen.<\/p>\n [\/et_pb_accordion_item][et_pb_accordion_item title=”Sollte ich Protokollebene- oder Echtbrowser-Tests ausf\u00fchren?” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}” open=”off”]<\/p>\n Die beantworten unterschiedliche Fragen. Protokollebene-Tests sind pro virtuellem Nutzer g\u00fcnstig und gut geeignet, um Backend- und API-Kapazit\u00e4ten zu pr\u00fcfen. Echtbrowser-Tests f\u00fchren JavaScript aus, feuern Lazy-Loaded-Calls ab und laufen Drittanbietertags, was der einzige Weg ist zu sehen, wie ein Nutzer einer Single-Page-Anwendung unter Last wirklich erlebt. Die meisten Enterprise-Programme nutzen beide.<\/p>\n [\/et_pb_accordion_item][et_pb_accordion_item title=”Was, wenn meine interne Anwendung keine Analytics-Daten hat?” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}” open=”off”]<\/p>\n Nutzen Sie Authentifizierungsprotokolle f\u00fcr Login-Rate und Sitzungsdauer, Anwendungsserverprotokolle f\u00fcr Anfragevolumen nach Endpunkten und den Batch-Scheduler f\u00fcr andere Prozesse w\u00e4hrend Ihres Spitzenzeitenfensters. Interne Anwendungen haben selten Analytics-Tags, aber immer Auth- und Serverprotokolle.<\/p>\n [\/et_pb_accordion_item][\/et_pb_accordion][et_pb_text admin_label=”Text” _builder_version=”4.27.6″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” global_colors_info=”{}”]<\/p>\n Ein realistisches Traffic-Muster besteht aus vier Messgr\u00f6\u00dfen, nicht einer einzigen Zahl: wie schnell Sitzungen ankommen, was diese Sitzungen tun, wie lange Nutzer zwischen Aktionen pausieren und von wo aus sie sich verbinden. Jeder einzelne dieser Werte liegt bereits in Ihren Protokollen vor.<\/p>\n Ziehen Sie diese vier Werte heran, wenden Sie Little\u2019s Law an, um eine mit Daten untermauerte Gleichzeitigkeitszahl zu erhalten, und formen Sie den Anstieg zur realen Stunde statt einer geraden Linie. Validieren Sie dann den Testlauf mit der Produktion und passen Sie ihn an. Es ist mehr Arbeit als eine runde Zahl an virtuellen Nutzern auszuw\u00e4hlen, aber es ist die einzige Testvariante, deren Ergebnisse Sie verwerten k\u00f6nnen.<\/p>\n [\/et_pb_text][et_pb_text admin_label=”Text” _builder_version=”4.27.6″ text_font_size=”20px” text_line_height=”1.5em” header_2_text_color=”#FFFFFF” background_size=”initial” background_position=”top_left” background_repeat=”repeat” custom_css_main_element=”background: linear-gradient(135deg, #1a73e8, #0d47a1);|| color: #fff;|| padding: 1.4rem 1.6rem;|| border-radius: 8px;|| margin: 2rem 0;|| text-align: center;” custom_css_free_form=”selector a {|| color: #fff;|| font-weight: 600;|| text-decoration: underline;||}” global_colors_info=”{}”]<\/p>\n LoadView f\u00fchrt Ihre Sitzungsabl\u00e4ufe in echten Browsern aus \u00fcber 40 AWS- und Azure-Regionen aus, mit Lastkurven, die Sie auf das gemessene Ankunftsmuster anpassen k\u00f6nnen. Enterprise-Lasttest<\/a>-Pl\u00e4ne f\u00fcgen Unterkonten, SSO und Skriptmigration von Legacy-Tools hinzu.<\/p>\nWo die Traffic-Daten bereits vorhanden sind<\/h2>\n
Wie man ein Traffic-Modell aus Produktivdaten erstellt<\/h2>\n
Schritt 1: W\u00e4hlen Sie das exakte Zeitfenster, das Sie modellieren<\/h3>\n
Schritt 2: Z\u00e4hlen Sie Sitzungen, nicht Anfragen<\/h3>\n
Schritt 3: Sitzungen in Gleichzeitigkeit umwandeln<\/h3>\n
Schritt 4: Teilen Sie den Traffic in Gesch\u00e4ftstransaktionen<\/h3>\n
Schritt 5: Ziehen Sie die Denkzeit aus echten Sitzungen<\/h3>\n
Schritt 6: Passen Sie die Anstiegskurve an die reale Kurve an<\/h3>\n
\n
Schritt 7: Platzieren Sie die Last, wo Ihre Nutzer sind<\/h3>\n
Wo Traffic-Modelle scheitern<\/h2>\n
Wie echte Enterprise-Traffic-Muster aussehen<\/h2>\n
Einzelhandels-Blitzverkauf oder Produkt-Release<\/h3>\n
Monatsabschluss in einem internen ERP<\/h3>\n
Versicherungs-Open-Enrollment<\/h3>\n
Wie man das Modell in LoadView ausf\u00fchrt<\/h2>\n
Wie man das Modell mit der Produktion abgleicht<\/h2>\n
\n
H\u00e4ufig gestellte Fragen<\/h2>\n
Das Fazit<\/h2>\n
Testen Sie Ihr Traffic-Modell in echten Browsern<\/h2>\n