【性以分析常案例】

常用分析思路：
1）2/8法则
2/8法则：80%的业务量在20%的时间里完成。这里，业务量泛指访问量，请求数，数据量等
 
2）正态分布
 
3）按比例倍增
 
4）响应时间2-5-8原则
就是说，一般情况下，当用户能够在2秒以内得到响应时，会感觉系统的响应很快；当用户在2-5秒之间得到响应时，会赶紧系统的响应速度还可以；当用户在5-8秒以内得到响应时，会赶紧系统的速度很慢，但是还可以接受；而当用户在超过8秒后仍然无法得到响应时，会感觉系统糟糕透了，或者认为系统已经失去响应。
注意：这个要根据实际情况，有些情况下时间长点也是可以接受的，好比12306
 
举例：
某公司后台监控，根据一段时间的采样数据，分析得出日高峰时段(11:00-14:00)用户下单请求数平均为1000，峰值为1500，根据这个计算并发请求数
 
时段：3个小时 -> 3 x 60 x 60 = 1080s
业务量：1500
吞吐量：1500 * 80% / (1080 * 20%) = 5.56请求数/s
 
假设用户下单遵循正态分布，那么并发请求数峰值会肯定大于上述估算的吞吐量
 
注意:
1、2/8原则计算的结果并非在线并发用户数，是系统要达到的处理能力（吞吐量）
2、如果要求更高系统性能，根据实际情况，也可以考虑1/9原则或其它更严格的算法
3、以上估值只是大致的估算，不是精确值
 
举例：
想了下，暂时没想到啥好的例子，大致就说一些涉及到数据量的性能测试，比如报表统计，或者是大数据挖掘，查询等，怎么去估算数据量？
 
数据生命周期：
一般来说，数据都是有一定的生命周期的，时间的选取需要结合数据周期考虑。这里假设3年后系统性能仍然需要满足业务需求。
 
数据增长率：
如果是老项目，可以考虑对应功能主表历史数据存放情况
这里假设按年统计，比如第一年 10000，第二年 15000，第三年 20000，第四年25000，那么我们得出，以第一年为基准，数据增长率分别为 0.5，1，1.5，每年在上一年的基础上，以5000的速度增长
预估3年后，数据增长率为 3，需要测试数据量为 （1+3）x 10000 = 40000
 
注意：
1、实际数据一般是没上面举例那么规律的，只能大致估算数据增长率。
2、一些大数据量的性能测试除了和数据量相关，还涉及到数据分布等，比如查询，构造数据时需要结合实际，尽量贴近实际。
3、不同业务模块，涉及表不一样，数据量要求也是不一样的，需要有区别的对待。