[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=”{}”]A maioria dos testes de carga em empresas come\u00e7a com um n\u00famero escolhido em uma reuni\u00e3o. Cinco mil usu\u00e1rios virtuais. Dez mil. O teste passa, o relat\u00f3rio \u00e9 arquivado, e a aplica\u00e7\u00e3o ainda cai na primeira segunda-feira do trimestre.<\/p>\n
N\u00fameros redondos s\u00e3o f\u00e1ceis de concordar e quase n\u00e3o dizem nada. O tr\u00e1fego real chega em rajadas, se divide desigualmente entre recursos e muda sua mistura exatamente no momento em que o volume atinge o pico. Um teste que envia uma parede plana de requisi\u00e7\u00f5es id\u00eanticas executa um caminho de c\u00f3digo diferente do que a produ\u00e7\u00e3o faz, com comportamento de cache, planos de consulta e conten\u00e7\u00e3o de bloqueios que n\u00e3o t\u00eam rela\u00e7\u00e3o com o sistema ao vivo.<\/p>\n
Aqui est\u00e1 como construir um modelo de tr\u00e1fego a partir dos dados que voc\u00ea j\u00e1 coleta, e como execut\u00e1-lo para que os resultados tenham significado.<\/p>\n
Tr\u00eas coisas complicam as equipes que v\u00e3o direto de um n\u00famero de pessoal para um teste em execu\u00e7\u00e3o.<\/p>\n
Concorr\u00eancia e taxa de chegada n\u00e3o s\u00e3o o mesmo n\u00famero.<\/strong> Quando um interessado diz “precisamos lidar com 5.000 usu\u00e1rios”, pergunte a qual dos dois ele se refere. Cinco mil pessoas conectadas simultaneamente \u00e9 um teste completamente diferente de cinco mil sess\u00f5es iniciando a cada hora. Errar para mais e voc\u00ea passar\u00e1 semanas ajustando para uma carga que nunca chegar\u00e1. Errar para menos e o teste n\u00e3o lhe dir\u00e1 nada. Teste de usu\u00e1rio concorrente<\/a> s\u00f3 faz sentido quando voc\u00ea sabe qual desses dois n\u00fameros est\u00e1 mirando. Essa \u00e9 a divis\u00e3o entre um modelo orientado por taxa de chegada, que reflete como os usu\u00e1rios realmente aparecem, e um modelo orientado por concorr\u00eancia, que mant\u00e9m uma popula\u00e7\u00e3o fixa no sistema. O tr\u00e1fego p\u00fablico \u00e9 quase sempre o primeiro. Sistemas com base de usu\u00e1rios limitada \u2014 desktops de call center, licen\u00e7as, portais de agentes \u2014 realmente se comportam como o segundo.<\/p>\n O tr\u00e1fego tem uma forma, e essa forma causa o impacto.<\/strong> Pools de conex\u00e3o, grupos de escalonamento autom\u00e1tico e servidores de aplica\u00e7\u00e3o preparados sob demanda respondem \u00e0 taxa de mudan\u00e7a, n\u00e3o apenas ao teto. Um sistema que suporta 2.000 usu\u00e1rios concorrentes confortavelmente pode falhar ao chegar em 2.000 se isso ocorrer em noventa segundos.<\/p>\n A mistura de transa\u00e7\u00f5es se move com o volume.<\/strong> No volume m\u00e9dio, um site de ecommerce v\u00ea principalmente navega\u00e7\u00e3o. Durante uma venda rel\u00e2mpago, as chamadas de finaliza\u00e7\u00e3o de compra e invent\u00e1rio ocupam uma fatia muito maior do mesmo n\u00famero de requisi\u00e7\u00f5es. O n\u00famero total parece id\u00eantico em um painel. A carga no banco de dados n\u00e3o. Um n\u00famero fixo de usu\u00e1rios virtuais e uma curva de chegada modelada podem produzir a mesma taxa m\u00e9dia de transfer\u00eancia enquanto estressam partes totalmente diferentes da pilha.<\/strong><\/p>\n Voc\u00ea n\u00e3o precisa de instrumenta\u00e7\u00e3o nova. A maior parte disso j\u00e1 est\u00e1 sendo registrada em algum lugar no disco. O trabalho \u00e9 juntar isso em sess\u00f5es e filtrar o tr\u00e1fego bot antes de contar qualquer coisa.<\/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=”Fonte” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”O que extrair dela” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Logs de acesso do servidor web e balanceador de carga” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Requisi\u00e7\u00f5es por segundo por endpoint, distribui\u00e7\u00e3o de c\u00f3digos de status, o timestamp real da sua hora mais movimentada” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”APM ou monitoramento de usu\u00e1rio real (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=”Dura\u00e7\u00e3o da sess\u00e3o, tempo entre p\u00e1ginas, tempo real de reflex\u00e3o entre intera\u00e7\u00f5es” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Web analytics (exporta\u00e7\u00f5es GA4, Adobe Analytics)” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Sess\u00f5es por hora, divis\u00e3o por dispositivo e navegador, geografia, p\u00e1ginas de entrada” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Logs CDN (CloudFront, Fastly, Akamai)” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Taxa de acertos de cache, taxa de descarregamento da origem, quais ativos n\u00e3o s\u00e3o encontrados no cache” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Logs do provedor de identidade ou SSO (Okta, Entra ID)” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Taxa de login e concorr\u00eancia de sess\u00f5es, que geralmente \u00e9 o \u00fanico sinal utiliz\u00e1vel para aplicativos internos” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Agendador batch e banco de dados” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”O que mais est\u00e1 rodando durante sua janela de pico” _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 Aplicativos empresariais internos geralmente n\u00e3o possuem tags de analytics. Logs de autentica\u00e7\u00e3o e logs do servidor de aplica\u00e7\u00e3o cobrem a lacuna \u2014 eventos de login d\u00e3o a taxa de chegada, e o tempo entre a primeira e \u00faltima requisi\u00e7\u00e3o por sess\u00e3o d\u00e1 a dura\u00e7\u00e3o.<\/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 Quatro sa\u00eddas definem o modelo: taxa de chegada, mistura de transa\u00e7\u00f5es, distribui\u00e7\u00e3o de tempo de reflex\u00e3o e divis\u00e3o geogr\u00e1fica.<\/strong><\/p>\n N\u00e3o \u201co pico de tr\u00e1fego\u201d. Uma hora espec\u00edfica, numa data espec\u00edfica, extra\u00edda dos seus logs. Pegue a hora com maior throughput dos \u00faltimos doze meses e depois escolha uma segunda janela cobrindo seu pior evento comercial \u2014 fechamento mensal, matr\u00edcula aberta, Black Friday, relat\u00f3rios trimestrais. Modele ambos. Eles quase nunca t\u00eam o mesmo formato.<\/p>\n Requisi\u00e7\u00f5es por segundo \u00e9 o n\u00famero mais f\u00e1cil de extrair e o menos est\u00e1vel. Lance uma atualiza\u00e7\u00e3o front-end que agrupa tr\u00eas chamadas API em uma s\u00f3 e sua contagem de requisi\u00e7\u00f5es cai um ter\u00e7o sem altera\u00e7\u00e3o na demanda. Sess\u00f5es por hora acompanham o que os usu\u00e1rios realmente fazem. A diferen\u00e7a \u00e9 maior em aplica\u00e7\u00f5es de p\u00e1gina \u00fanica, onde um clique pode desencadear uma d\u00fazia de chamadas API em segundo plano.<\/p>\n Extraia sess\u00f5es por hora para sua janela, al\u00e9m da m\u00e9dia e do percentil 90 da dura\u00e7\u00e3o da sess\u00e3o. Guarde ambos os n\u00fameros \u2014 a cauda importa no passo tr\u00eas.<\/p>\n A Lei de Little conecta taxa de chegada a concorr\u00eancia:<\/p>\n Sess\u00f5es concorrentes = sess\u00f5es por hora \u00d7 (m\u00e9dia de minutos por sess\u00e3o \u00f7 60)<\/strong><\/p>\n 18.000 sess\u00f5es\/hora \u00d7 (6 minutos \u00f7 60) = 1.800 sess\u00f5es concorrentes<\/p>\n Executar 18.000 usu\u00e1rios virtuais<\/a> concorrentes contra essa aplica\u00e7\u00e3o testa algo dez vezes maior que seu pico real. Voc\u00ea falhar\u00e1 em um teste que passaria, e passar\u00e1 um sprint perseguindo um gargalo que a produ\u00e7\u00e3o nunca alcan\u00e7aria.<\/p>\n A Lei de Little usa a m\u00e9dia, ent\u00e3o trate o P90 como uma verifica\u00e7\u00e3o separada de dimensionamento e n\u00e3o como uma segunda leitura da f\u00f3rmula. Insira um P90 de 22 minutos contra a m\u00e9dia de 6 minutos e voc\u00ea ter\u00e1 cerca de 6.600 \u2014 a concorr\u00eancia que voc\u00ea teria se cada sess\u00e3o durasse o mesmo que os dez por cento mais lentos. Deliberadamente pessimista e o n\u00famero a ser usado para planejamento de capacidade<\/a> quando sess\u00f5es longas seguram recursos escassos como threads de relat\u00f3rio ou conex\u00f5es de banco de dados.<\/p>\n Agrupe endpoints em transa\u00e7\u00f5es de neg\u00f3cio ao inv\u00e9s de URLs: busca, visualiza\u00e7\u00e3o de detalhe, adicionar ao carrinho, enviar reclama\u00e7\u00e3o, exportar relat\u00f3rio, rodar folha de pagamento. Depois registre duas misturas \u2014 a fatia de tr\u00e1fego de cada transa\u00e7\u00e3o ao longo da janela inteira, e a fatia no minuto mais movimentado.<\/p>\n Se essas duas misturas diferirem mais do que alguns pontos percentuais em qualquer transa\u00e7\u00e3o, modele ambas no teste e execute como cen\u00e1rios separados. Um teste baseado s\u00f3 na mistura hor\u00e1ria ir\u00e1 subcarregar qualquer transa\u00e7\u00e3o que tiver pico mais forte.<\/p>\n N\u00e3o adivinhe o tempo de reflex\u00e3o e n\u00e3o use um valor constante. Uma pausa fixa de cinco segundos sincroniza todos os usu\u00e1rios virtuais numa coluna marchando em un\u00edssono, produzindo throughput pontiagudo que nenhuma popula\u00e7\u00e3o real gera.<\/p>\n Extraia o intervalo entre carregamentos consecutivos de p\u00e1ginas dentro das sess\u00f5es reais a partir de dados RUM ou APM e reproduza como uma distribui\u00e7\u00e3o. Usu\u00e1rios empresariais tendem a ser bimodais: intervalos curtos navegando num fluxo que conhecem de cor, intervalos longos lendo um documento ou atendendo um telefonema.<\/p>\n Trace contagens de sess\u00f5es por minuto pela sua janela e molde a rampa do teste para coincidir. Tr\u00eas formatos cobrem a maioria das aplica\u00e7\u00f5es empresariais:<\/p>\n Use a divis\u00e3o geogr\u00e1fica das an\u00e1lises ou logs CDN e gere carga dessas mesmas regi\u00f5es. Isso n\u00e3o \u00e9 s\u00f3 para medir lat\u00eancia para usu\u00e1rios distantes. Lat\u00eancia afeta a concorr\u00eancia: uma sess\u00e3o mantida aberta por uma viagem de 280 ms dura mais que a mesma sess\u00e3o numa conex\u00e3o de 20 ms, ent\u00e3o taxas id\u00eanticas de chegada produzem maior concorr\u00eancia. Testar tudo de uma \u00fanica regi\u00e3o esconde isso completamente.<\/p>\n Um conjunto de dados para cada usu\u00e1rio virtual.<\/strong> Mesmo login, mesmo ID de produto, mesma conta em dez mil usu\u00e1rios, e sua taxa de acerto de cache vai para quase 100%. A produ\u00e7\u00e3o n\u00e3o se comporta assim. Parametrize com um conjunto de dados amplo o suficiente para representar a cardinalidade real \u2014 um pool de contas, uma lista de SKUs, IDs \u00fanicos de pedido por execu\u00e7\u00e3o \u2014 e compare a taxa de acerto do cache do teste com a produ\u00e7\u00e3o antes de confiar no resultado.<\/p>\n Nada mais rodando durante o pico.<\/strong> Picos em empresas colidem com trabalhos agendados: ETL noturno, reconstru\u00e7\u00e3o de \u00edndices, gera\u00e7\u00e3o de relat\u00f3rios, janelas de backup, sincroniza\u00e7\u00e3o de replica\u00e7\u00e3o. Se o trabalho de reconcilia\u00e7\u00e3o roda \u00e0s 2 da manh\u00e3 e seu pico batch integra tamb\u00e9m \u00e9 \u00e0s 2 da manh\u00e3, um ambiente de teste limpo sem carga de fundo mede um sistema que voc\u00ea n\u00e3o opera.<\/p>\n Testes apenas em protocolo em aplica\u00e7\u00f5es que dependem fortemente do navegador.<\/strong> Um teste em n\u00edvel HTTP reproduz as requisi\u00e7\u00f5es capturadas na grava\u00e7\u00e3o. N\u00e3o executa JavaScript, n\u00e3o aciona chamadas carregadas sob demanda, n\u00e3o dispara tags de terceiros nem renderiza nada. Para uma aplica\u00e7\u00e3o de p\u00e1gina \u00fanica ou portal interno pesado, isso deixa de fora a maior parte do trabalho que o cliente realmente faz \u2014 e todo o trabalho que determina o que o usu\u00e1rio v\u00ea. Testes de carga em aplica\u00e7\u00f5es web<\/a> em navegadores reais s\u00e3o a \u00fanica forma de medir a renderiza\u00e7\u00e3o do lado cliente sob carga.<\/p>\n S\u00f3 o caminho feliz.<\/strong> Tr\u00e1fego real inclui carrinhos abandonados, loops de bot\u00e3o voltar, logins falhos, tokens expirados e cliques duplos impacientes. Logins falhos merecem um cen\u00e1rio pr\u00f3prio: afetam o provedor de identidade, geralmente ignoram cache e frequentemente disparam l\u00f3gica de bloqueio que adiciona grava\u00e7\u00f5es.<\/p>\n Tr\u00eas padr\u00f5es que surgem constantemente, e o que cada um exige do modelo.<\/p>\n A chegada \u00e9 quase vertical e a mistura colapsa em tr\u00eas transa\u00e7\u00f5es: detalhe do produto, adicionar ao carrinho, finalizar compra. Se a p\u00e1gina do produto \u00e9 cache\u00e1vel, a taxa de acertos no CDN realmente melhora porque todos solicitam o mesmo item quente, o que torna um teste ing\u00eanuo aparentemente f\u00e1cil. A press\u00e3o recai nas chamadas n\u00e3o cache\u00e1veis \u2014 verifica\u00e7\u00f5es de invent\u00e1rio, grava\u00e7\u00f5es no carrinho, autoriza\u00e7\u00e3o de pagamento \u2014 todas acessando a origem ao mesmo tempo com conten\u00e7\u00e3o a n\u00edvel de linha num \u00fanico SKU. Modele a mistura no minuto de pico, n\u00e3o na hora.<\/p>\n O volume de sess\u00f5es \u00e9 comum. O comprimento das sess\u00f5es n\u00e3o. Exporta\u00e7\u00f5es de relat\u00f3rios e lan\u00e7amentos batch duram minutos, ent\u00e3o a concorr\u00eancia sobe mesmo que a taxa de chegada pare\u00e7a est\u00e1vel \u2014 a Lei de Little trabalhando contra voc\u00ea. Tamb\u00e9m ocorre junto com o lote de fechamento cont\u00e1bil, ent\u00e3o a carga de fundo faz parte do teste. Separe os usu\u00e1rios de relat\u00f3rio e lan\u00e7amento de longa dura\u00e7\u00e3o em sua pr\u00f3pria classe de transa\u00e7\u00e3o com sua pr\u00f3pria dura\u00e7\u00e3o ao inv\u00e9s de incluir tudo numa m\u00e9dia \u00fanica.<\/p>\n Semanas de carga elevada com um pico agudo nos dois \u00faltimos dias. Sess\u00f5es prolongadas porque pessoas leem documentos do plano, s\u00e3o pesadas em autentica\u00e7\u00e3o e downloads. A parte de v\u00e1rias semanas \u00e9 teste de resist\u00eancia<\/a>, onde vazamentos de mem\u00f3ria, exaust\u00e3o de pool de conex\u00f5es e volume de logs importam mais que a concorr\u00eancia m\u00e1xima. O pico dos dias finais precisa de modelo pr\u00f3prio.<\/p>\n Uma vez que o modelo exista, o setup do teste segue a partir dele. LoadView oferece tr\u00eas curvas de carga<\/a>, e seu modelo indica qual escolher:<\/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=”Curva de carga” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Use quando seu modelo disser” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Curva de Passo de Carga” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Voc\u00ea tem uma meta de concorr\u00eancia e quer ver onde o tempo de resposta degrada durante a subida” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Curva Baseada em Objetivos” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Seu modelo \u00e9 expresso em throughput \u2014 transa\u00e7\u00f5es ou sess\u00f5es por intervalo \u2014 ou voc\u00ea est\u00e1 validando um SLA” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Curva Ajust\u00e1vel Din\u00e2mica” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”][\/dipl_advanced_table_item][dipl_advanced_table_item cell_value=”Voc\u00ea quer mover carga e distribui\u00e7\u00e3o regional durante o teste para encontrar onde o sistema se dobra” _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 Grave o fluxo da sess\u00e3o com o EveryStep Web Recorder<\/a> para que o script percorra o mesmo caminho do usu\u00e1rio, em um navegador real, nas vers\u00f5es desktop e mobile mostradas nas suas an\u00e1lises. Defina a divis\u00e3o regional usando a rede de inje\u00e7\u00e3o de carga geo-distribu\u00edda<\/a> para coincidir com o passo sete do seu modelo.<\/p>\n Para aplica\u00e7\u00f5es que nunca acessam a internet p\u00fablica, os injetores on-premises testam carga atr\u00e1s do seu firewall<\/a> enquanto reportam para a mesma plataforma \u2014 que \u00e9 como a maioria do tr\u00e1fego interno de ERP e portais \u00e9 modelado.<\/p>\n Um modelo de tr\u00e1fego \u00e9 uma hip\u00f3tese at\u00e9 voc\u00ea comparar sua sa\u00edda com o real. Capture o backend enquanto o teste roda \u2014 eventos de espera do banco de dados, satura\u00e7\u00e3o do pool de conex\u00f5es, profundidade da fila, atividade de escalonamento autom\u00e1tico, taxa de busca na origem do CDN, limita\u00e7\u00e3o do provedor de identidade. Esses sinais explicam os n\u00fameros abaixo.<\/p>\n Ap\u00f3s o teste, coloque cinco medi\u00e7\u00f5es lado a lado com a produ\u00e7\u00e3o para a mesma janela:<\/p>\n Entretanto analise seus resultados de teste de carga<\/a> sobre esses cinco pontos, ajuste o script e refa\u00e7a. Duas itera\u00e7\u00f5es geralmente aproximam o modelo o suficiente para confiar.<\/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=”Quantos Usu\u00e1rios Virtuais Eu Realmente Preciso?” open=”on” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}”]<\/p>\n Calcule a partir das sess\u00f5es por hora e dura\u00e7\u00e3o m\u00e9dia da sess\u00e3o ao inv\u00e9s de escolher um n\u00famero redondo. Um sistema que processa 18.000 sess\u00f5es por hora com m\u00e9dia de seis minutos carrega aproximadamente 1.800 sess\u00f5es concorrentes, n\u00e3o 18.000. Execute a mesma f\u00f3rmula para a dura\u00e7\u00e3o P90 da sua sess\u00e3o para uma verifica\u00e7\u00e3o de dimensionamento pessimista a usar no planejamento de capacidade.<\/p>\n [\/et_pb_accordion_item][et_pb_accordion_item title=”Posso S\u00f3 Repassar o Tr\u00e1fego de Produ\u00e7\u00e3o ao Inv\u00e9s de Model\u00e1-lo?” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}” open=”off”]<\/p>\n Repassar \u00e9 \u00fatil para validar um modelo que voc\u00ea j\u00e1 construiu. Sozinho tem limites s\u00e9rios: o tr\u00e1fego gravado cont\u00e9m dados pessoais que precisam ser tratados, tokens de sess\u00e3o que expiram, e grava\u00e7\u00f5es com estado que n\u00e3o podem ser repetidas com seguran\u00e7a. E n\u00e3o pode exceder o volume gravado, que \u00e9 exatamente o volume que voc\u00ea mais precisa testar al\u00e9m.<\/p>\n [\/et_pb_accordion_item][et_pb_accordion_item title=”Com Que Frequ\u00eancia o Modelo de Tr\u00e1fego Deve Ser Reconstru\u00eddo?” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}” open=”off”]<\/p>\n Ap\u00f3s qualquer release que altere o front-end ou o fluxo do usu\u00e1rio, ap\u00f3s mudan\u00e7a de neg\u00f3cio que modifique a mistura de transa\u00e7\u00f5es, e antes de qualquer evento de alta carga conhecido. Trimestral \u00e9 um piso razo\u00e1vel para aplica\u00e7\u00f5es est\u00e1veis.<\/p>\n [\/et_pb_accordion_item][et_pb_accordion_item title=”Devo Rodar Testes em N\u00edvel de Protocolo ou em Navegadores Reais?” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}” open=”off”]<\/p>\n Respondem perguntas diferentes. Testes em n\u00edvel de protocolo s\u00e3o baratos por usu\u00e1rio virtual e bons para testar capacidade de back-end e API. Testes em navegador real executam JavaScript, disparam chamadas carregadas sob demanda e rodam tags terceirizadas, que \u00e9 a \u00fanica forma de ver o que o usu\u00e1rio de uma aplica\u00e7\u00e3o de p\u00e1gina \u00fanica experimenta sob carga. A maioria dos programas empresariais usa ambos.<\/p>\n [\/et_pb_accordion_item][et_pb_accordion_item title=”E Se Meu Aplicativo Interno N\u00e3o Tem Dados de Analytics?” _builder_version=”4.27.6″ _module_preset=”default” global_colors_info=”{}” open=”off”]<\/p>\n Use logs de autentica\u00e7\u00e3o para taxa de login e dura\u00e7\u00e3o de sess\u00e3o, logs do servidor de aplica\u00e7\u00e3o para volume de requisi\u00e7\u00f5es por endpoint, e o agendador batch para o que mais roda durante sua janela de pico. Aplicativos internos raramente t\u00eam tags de analytics, mas sempre t\u00eam logs de autentica\u00e7\u00e3o e de servidor.<\/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 Um padr\u00e3o de tr\u00e1fego realista \u00e9 definido por quatro medi\u00e7\u00f5es, n\u00e3o por um \u00fanico n\u00famero: qu\u00e3o r\u00e1pido as sess\u00f5es chegam, o que essas sess\u00f5es fazem, quanto tempo os usu\u00e1rios pausam entre a\u00e7\u00f5es e de onde eles se conectam. Cada uma dessas informa\u00e7\u00f5es j\u00e1 est\u00e1 nos seus logs.<\/p>\n Extraia esses quatro, aplique a Lei de Little para obter uma figura de concorr\u00eancia respaldada em dados, e molde a rampa para combinar com uma hora real ao inv\u00e9s de uma linha reta. Depois valide a execu\u00e7\u00e3o contra a produ\u00e7\u00e3o e ajuste conforme necess\u00e1rio. \u00c9 mais trabalho do que escolher um n\u00famero redondo de usu\u00e1rios virtuais, mas \u00e9 a \u00fanica vers\u00e3o do teste cujo resultado voc\u00ea pode usar.<\/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 executa seus fluxos de sess\u00e3o em navegadores reais de mais de 40 zonas AWS e Azure, com curvas de carga que voc\u00ea pode modelar conforme o padr\u00e3o de chegada que mediu. Planos de teste de carga empresarial<\/a> incluem subcontas, SSO e migra\u00e7\u00e3o de scripts de ferramentas legadas.<\/p>\n
\n[\/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>\nOnde os Dados de Tr\u00e1fego J\u00e1 Est\u00e3o<\/h2>\n
Como Construir um Modelo de Tr\u00e1fego a Partir dos Dados de Produ\u00e7\u00e3o<\/h2>\n
Passo 1: Escolha a Janela Exata que Voc\u00ea Est\u00e1 Modelando<\/h3>\n
Passo 2: Conte Sess\u00f5es, N\u00e3o Requisi\u00e7\u00f5es<\/h3>\n
Passo 3: Converta Sess\u00f5es em Concorr\u00eancia<\/h3>\n
Passo 4: Divida o Tr\u00e1fego em Transa\u00e7\u00f5es de Neg\u00f3cio<\/h3>\n
Passo 5: Extraia o Tempo de Reflex\u00e3o de Sess\u00f5es Reais<\/h3>\n
Passo 6: Ajuste a Rampa para o Formato Real<\/h3>\n
\n
Passo 7: Coloque a Carga Onde Seus Usu\u00e1rios Est\u00e3o<\/h3>\n
Onde os Modelos de Tr\u00e1fego Erram<\/h2>\n
Como S\u00e3o os Formatos Reais do Tr\u00e1fego Empresarial<\/h2>\n
Venda Rel\u00e2mpago no Varejo ou Lan\u00e7amento de Produto<\/h3>\n
Fechamento Mensal em um ERP Interno<\/h3>\n
Matricula Aberta em Seguro<\/h3>\n
Como Executar o Modelo no LoadView<\/h2>\n
Como Conferir o Modelo com a Produ\u00e7\u00e3o<\/h2>\n
\n
Perguntas Frequentes<\/h2>\n
Conclus\u00e3o<\/h2>\n
Teste Seu Modelo de Tr\u00e1fego em Navegadores Reais<\/h2>\n