我是否正确地应用了利特尔定律来为网站的工作负载建模？
Am I applying Little's Law correctly to model a workload for a website?
使用这些指标（如下所示），我能够利用工作负载建模公式（利特尔定律）得出我认为正确的设置以对相关应用程序进行充分的负载测试。
来自 Google 分析：
- 用户：2,159
- 浏览量：4,856
- 平均。会话持续时间：0:02:44
- 页数/会话：2.21
- 会话数：2,199
公式为 N = 吞吐量 *（响应时间 + 思考时间）
- 我们计算的吞吐量为 1.35（4865 次综合浏览量 / 3600（一小时中的秒数））
- 我们计算出（响应时间 + 思考时间）为 74.21（164 秒平均会话持续时间/每个会话 2.21 页）
使用公式，我们将 N 计算为 100（1.35 吞吐量 * 74.21（响应时间 + 思考时间））。
因此，根据我的计算，我们可以模拟 100 个用户在迭代之间以 75 秒的速度执行业务流程（忽略思考时间）在高峰时段服务器经历的负载。
因此，为了确定系统在比正常负载更重的情况下如何响应，我们可以将 N 的值加倍（200 个用户）或三倍（300 个用户）并记录每个事务的平均响应时间。
这一切都正确吗？
下面的公式对我来说一直很管用，如果你想计算节奏
"Pacing = No. of Users * Duration of Test (in seconds) / Transactions you want to achieve in said Test Duration"
您应该能够使用此公式更接近您想要实现的交易。如果它是 API，那么它几乎总是准确的。
例如，您希望在一小时的测试持续时间内使用 5 个用户完成 1000 笔交易
投放安排 = 5 * 3600/1000
= 18 秒
当您直接观察站点的日志时，按会话持续时间阻止，每个阻止中计算的 IP 地址的最大数量是多少？
Littles 定律倾向于低估会话及其开销，以支持事务吞吐量。如果您的会话资源可以即时恢复，那没关系，但是大多数站点保留这些资源的时间超过用户最长 inter-request window 的 110%（从一个请求到下一个）。
使用这些指标（如下所示），我能够利用工作负载建模公式（利特尔定律）得出我认为正确的设置以对相关应用程序进行充分的负载测试。
来自 Google 分析：
- 用户：2,159
- 浏览量：4,856
- 平均。会话持续时间：0:02:44
- 页数/会话：2.21
- 会话数：2,199
公式为 N = 吞吐量 *（响应时间 + 思考时间）
- 我们计算的吞吐量为 1.35（4865 次综合浏览量 / 3600（一小时中的秒数））
- 我们计算出（响应时间 + 思考时间）为 74.21（164 秒平均会话持续时间/每个会话 2.21 页）
使用公式，我们将 N 计算为 100（1.35 吞吐量 * 74.21（响应时间 + 思考时间））。
因此，根据我的计算，我们可以模拟 100 个用户在迭代之间以 75 秒的速度执行业务流程（忽略思考时间）在高峰时段服务器经历的负载。
因此，为了确定系统在比正常负载更重的情况下如何响应，我们可以将 N 的值加倍（200 个用户）或三倍（300 个用户）并记录每个事务的平均响应时间。
这一切都正确吗？
下面的公式对我来说一直很管用，如果你想计算节奏
"Pacing = No. of Users * Duration of Test (in seconds) / Transactions you want to achieve in said Test Duration"
您应该能够使用此公式更接近您想要实现的交易。如果它是 API，那么它几乎总是准确的。
例如，您希望在一小时的测试持续时间内使用 5 个用户完成 1000 笔交易
投放安排 = 5 * 3600/1000 = 18 秒
当您直接观察站点的日志时，按会话持续时间阻止，每个阻止中计算的 IP 地址的最大数量是多少？
Littles 定律倾向于低估会话及其开销，以支持事务吞吐量。如果您的会话资源可以即时恢复，那没关系，但是大多数站点保留这些资源的时间超过用户最长 inter-request window 的 110%（从一个请求到下一个）。