当前位置: 首页 > news >正文

性能测试中唯一标识的JMH测试

前文分享了几种性能测试中常用到的生成全局唯一标识的案例,虽然在文中我猜测了几种方案设计的性能,并根据自己的经验给出了适用的场景。

但对于一个性能测试工程师来讲,有真是测试数据才更有说服力。这让我想起来之前学过的Java微基准测试框架JMH,所以不妨一试。

JMH简介

JMH (Java Microbenchmark Harness)是一个用于编写和运行Java基准测试的工具。它被广泛用于评估Java应用程序的性能,并帮助开发人员发现和优化性能瓶颈。

JMH的主要特点包括:

  1. 高可信度:JMH提供了多种机制来消除测试过程中的噪音和偏差,确保测试结果的可靠性。

  2. 易用性:JMH提供了丰富的注解和API,使编写和运行基准测试变得相对简单。

  3. 灵活性:JMH支持多种测试模式,如简单的吞吐量测试、微基准测试以及更复杂的测试场景。

  4. 可扩展性:JMH允许用户自定义测试环境,如GC策略、编译器选项等,以满足特定的性能评估需求。

  5. 广泛应用:JMH被广泛应用于Java生态系统中,包括JDK自身的性能优化、第三方开源库的性能评估等。

JMH是Java开发者评估应用程序性能的强大工具,有助于提高Java应用程序的整体质量和性能。同样地对于性能测试而言,也可以通过JMH测试评估一段代码在实际执行当中的表现。

实测

除了使用分布式服务生成GUID这个方案以外,其他四种方案(其中两种是我自己常用的)均参与测试。原因是分布式服务需要网络交互,这个一听就不高性能,还有我暂时没条件测试这个。

下面有限展示实测结果,总结使用线程共享和线程独享的方案性能均远远高于UUID雪花算法。为了省事儿以下测试均预热2次,预热批次大小2,测试迭代次数1次,迭代批次大小也是1次。配置如下:

  1. .warmupIterations(2)//预热次数

  2. .warmupBatchSize(2)//预热批次大小

  3. .measurementIterations(1)//测试迭代次数

  4. .measurementBatchSize(1)//测试批次大小

  5. .build();

PS:JMH貌似还不支持Groovy所以我用Java写了这个用例。

下面是运行1个线程的测试结果:

  1. UniqueNumberTest.exclusive thrpt 203.146 ops/us

  2. UniqueNumberTest.share thrpt 99.860 ops/us

  3. UniqueNumberTest.snow thrpt 4.096 ops/us

  4. UniqueNumberTest.uuid thrpt 11.758 ops/us

下面是运行10个线程的测试结果:

  1. Benchmark Mode Cnt Score Error Units

  2. UniqueNumberTest.exclusive thrpt 1117.347 ops/us

  3. UniqueNumberTest.share thrpt 670.141 ops/us

  4. UniqueNumberTest.snow thrpt 10.925 ops/us

  5. UniqueNumberTest.uuid thrpt 3.608 ops/us

PS:此时机器的性能基本跑满了。

下面是40个线程的测试结果:

  1. Benchmark Mode Cnt Score Error Units

  2. UniqueNumberTest.exclusive thrpt 1110.273 ops/us

  3. UniqueNumberTest.share thrpt 649.350 ops/us

  4. UniqueNumberTest.snow thrpt 8.908 ops/us

  5. UniqueNumberTest.uuid thrpt 4.205 ops/us

可以看出跟10个线程结果差不多。

本机配置12核心,以上的测试结果单位是微秒,把结果乘以100万就是每秒的处理量,各位在使用不同方案时可以适当参考。

测试用例

下面是我的测试用例,测试结果我就不进行可视化了。

  1. package com.funtest.jmh;

  2. import com.funtester.utils.SnowflakeUtils;

  3. import org.openjdk.jmh.annotations.*;

  4. import org.openjdk.jmh.infra.Blackhole;

  5. import org.openjdk.jmh.results.format.ResultFormatType;

  6. import org.openjdk.jmh.runner.Runner;

  7. import org.openjdk.jmh.runner.RunnerException;

  8. import org.openjdk.jmh.runner.options.Options;

  9. import org.openjdk.jmh.runner.options.OptionsBuilder;

  10. import java.util.UUID;

  11. import java.util.concurrent.TimeUnit;

  12. import java.util.concurrent.atomic.AtomicInteger;

  13. @BenchmarkMode(Mode.Throughput)

  14. //@Warmup(Ω = 3, time = 2, timeUnit = TimeUnit.SECONDS)//预热次数,含义是每个测试会跑多久

  15. //@Measurement(iterations = 3, time = 5, timeUnit = TimeUnit.SECONDS)//测试迭代次数,含义是每个测试会跑多久

  16. //@Threads(1)//测试线程数

  17. //@Fork(2)//fork表示每个测试会fork出几个进程,也就是说每个测试会跑几次

  18. @State(value = Scope.Thread)//默认为Scope.Thread,含义是每个线程都会有一个实例

  19. @OutputTimeUnit(TimeUnit.MICROSECONDS)

  20. public class UniqueNumberTest {

  21. SnowflakeUtils snowflakeUtils = new SnowflakeUtils(1, 1);

  22. ThreadLocal<Integer> exclusive = ThreadLocal.withInitial(() -> 0);

  23. AtomicInteger share = new AtomicInteger(0);

  24. @Benchmark

  25. public void uuid() {

  26. UUID.randomUUID();

  27. }

  28. @Benchmark

  29. public void snow() {

  30. snowflakeUtils.nextId();

  31. }

  32. @Benchmark

  33. public void exclusive(Blackhole blackhole) {

  34. Integer i = exclusive.get();

  35. i++;

  36. blackhole.consume(i + "");

  37. }

  38. @Benchmark

  39. public void share(Blackhole blackhole) {

  40. blackhole.consume(share.incrementAndGet() + "");

  41. }

  42. public static void main(String[] args) throws RunnerException {

  43. Options options = new OptionsBuilder()

  44. .include(UniqueNumberTest.class.getSimpleName())//测试类名

  45. .result("long/result.json")//测试结果输出到result.json文件

  46. .resultFormat(ResultFormatType.JSON)//输出格式

  47. .forks(1)//fork表示每个测试会fork出几个进程,也就是说每个测试会跑几次

  48. .threads(40)//测试线程数

  49. .warmupIterations(2)//预热次数

  50. .warmupBatchSize(2)//预热批次大小

  51. .measurementIterations(1)//测试迭代次数

  52. .measurementBatchSize(1)//测试批次大小

  53. .build();

  54. new Runner(options).run();

  55. }

  56. }

感谢每一个认真阅读我文章的人,礼尚往来总是要有的,虽然不是什么很值钱的东西,如果你用得到的话可以直接拿走:

这些资料,对于【软件测试】的朋友来说应该是最全面最完整的备战仓库,这个仓库也陪伴上万个测试工程师们走过最艰难的路程,希望也能帮助到你!有需要的小伙伴可以点击下方小卡片领取

http://www.cnnetsun.cn/news/65993.html

相关文章:

  • 18、日期和时间的格式化、解析及时间区域的使用
  • VisionPro CogIPOneImageTool1 工具超详细解释(含内部功能全解析)
  • VisionPro CogIDTool 工具超深度详解(技术细节 + 实战配置版)
  • 让 BI 拥有‘领域大脑’:智能 BI 如何实现 AI 级精准数据查询
  • 提示工程架构师的战略规划:提示系统生命周期管理
  • 条形码识别与定位:基于FCOS框架的多类型条码检测与识别技术详解
  • AutoGPT能否用于学术文献综述?研究辅助工具测评
  • 如何用AutoGPT实现任务全自动执行?深度解析开源大模型能力
  • Mapbox GL JS 核心表达式:`in` 包含判断完全教程
  • Web3双核引擎:当AI量化金融大脑,遇见DAO社交生态灵魂
  • CEX开发困局:当达普韦伯为交易所注入“数字灵魂”
  • AutoGPT镜像集成指南:如何嵌入现有业务系统?
  • AutoGPT项目活跃度分析:GitHub星标增长趋势
  • AutoGPT能否生成短视频脚本?内容创作新方式
  • 超越ChatGPT!教你开发能自主完成复杂任务的AI智能体,代码开源
  • 震惊!AI Agent智商税?Google最新研究:盲目堆叠智能体可能导致性能暴跌70%
  • AI Agent“杀疯了“!大模型时代,你的编程技能该“内卷“还是“躺平“?
  • 【AI神器】Claude Code四大神器全解析!小白程序员也能秒变效率王者,Command/Skill/Agent/MCP一次搞懂!
  • AutoGPT能否接入企业微信?组织内协作场景落地
  • 震惊!原来AI编程开发这么简单:LLM、Agent与Workflow三兄弟协同工作原理大揭秘,小白也能秒变AI达人!
  • 图灵奖大佬怒怼大模型:LLM不是通向AGI的路径!下一波AI革命竟是洗碗倒水?程序员必看!
  • 从“十五五”规划建议看数字孪生重点发展方向
  • Qwen3-32B中文理解能力为何如此出色?内部机制揭秘
  • BPAdaboost模型:以BP神经网络为‘弱‘分类器的强分类器构建方法
  • 16、科学计算实用指南:从矩阵运算到生物信息学
  • LobeChat文件上传功能怎么用?处理PDF、Word超简单
  • BTC波动加剧之际,投资者如何选择可靠的数字资产观察平台?
  • 基于springboot的水果购物商城管理系统的设计与实现_5n1fg985
  • 计算机毕业设计springboot家庭理财系统 基于 SpringBoot 的个人家庭资产管理系统 SpringBoot+Vue 的智能化家庭财务分析与规划平台
  • 论文写作新范式:基于9款AI工具的实战评测,开题报告与草稿高效产出