© Excellent backgrounds/Shutterstock.com
Little’s Law als Werkzeug zur Analyse von Webanwendungen

Klein, aber oho


Die Weltformel ist Little’s Law sicherlich nicht, aber sehr praktisch für die Performance­analyse der Software in einem Last- und Massentest oder im Wirk­betrieb. Jeder kennt die Phase in der Softwareentwicklung: Die Software ist fast fertig. Im Design und in der Architektur hat man sich schon früh Gedanken zur Performance, den Größen der Datenbank usw. gemacht. Jetzt stellt sich die Frage: Erfüllt die Software diese Anforderungen? Ist die Hardware ausreichend dimensioniert? Skaliert die Anwendung wie erwartet? Höchste Zeit, sich neben den fachlichen Tests auch die nicht funktionalen Eigenschaften der neuen Software anzusehen.

Bei größeren Änderungen oder bei völligen Neuentwicklungen erwartet man sowieso nicht, dass es keine zu beseitigenden Bottlenecks gibt oder dass kein Performancetuning notwendig ist. Bei unternehmenskritischen Anwendungen, sei es eine Anwendung für den Endkunden oder eine Callcenteranwendung, sollte man sich vor einer Wirkbetriebsaufnahme sehr gut absichern, am besten durch einen realitätsnahen Last- und Massentest.

Für die eigentliche Entwicklung und das Operating sind die jeweils durchzuführenden technischen Aufgaben interessant. Wie kann ich „Performance“ ingenieurmäßig beschreiben? Wie kann ich sie geschickt messen und nachweisen? Auch die anderen beteiligten Stakeholder haben eine gewisse Erwartungshaltung:

  • Wie sehen die Antwortzeiten der (Web-)Anwendung bei unterschiedlicher Belastung aus?

  • Wie gut skaliert die Anwendung – auch in Bezug auf Kundenzuwächse in der Zukunft?

  • Was sind die Anforderungen an die Hardware, die Netzanbindung etc.?

Diese und ähnliche Fragen können auch vom Kunden kommen. All diese Wünsche und Erwartungen müssen übersetzt werden in Messverfahren. Damit dann die Ergebnisse der Messungen entsprechend interpretierbar sind, braucht es Theorie.

Mit „Theorie“ ist nicht die klassische Queuing-Theorie mit Markov-Ketten, Poisson-verteilten Ankunftszeiten und weiteren sehr speziellen Annahmen gemeint, sondern allgemeinere, zum Teil „semiempirische“ Verhaltensmuster von Webanwendungen. Daher werden wir im Folgenden anhand realer Messungen das Verhalten von (Web-)Anwendungen diskutieren, nebst dem Anschluss an ein klein wenig Theorie, ohne diese selbst herzuleiten.

Messung von Durchsatz und Antwortzeitverhalten

Der Durchsatz und das Antwortzeitverhalten sind vielleicht die wichtigsten Parameter, um das Verhalten einer Webanwendung zu charakterisieren (Kasten: „Performancekennzahlen einer Webanwendung“).

Performancekennzahlen einer Webanwendung

Durchsatz

Der Durchsatz D ist typischerweise eine Menge pro Zeiteinheit wie Liter pro Sekunde. Für unsere Überlegungen sind folgende Definitionen sinnvoll:

  • Der Fluss von Anfragen (Aufträgen) auf den Web- bzw. Applikationsserver: D = Anfragen/Sek. Einheit [1/s]

  • Der Fluss von Daten, wie sie bei einer I/O-Operation gemessen werden: Daten/Sek. Einheit [kBit/s] oder [MBit/s]

(Oft wird in Verbindung mit Netzwerk auch von Bandbreite BW gesprochen.)

Antwortzeit (Response Time)

Die Antwortzeit R einer Webanwendung umfasst einen kompletten Round-Trip von einer Anfrage des Clients beim Server bis zum Erhalt der Antwort, wieder gemessen beim Client. Praktischerweise wird die Antwortzeit oft in Millisekunden [ms] gemessen.

Parallelität

Die Parallelität wird oft umschrieben als „gleichzeitige User in der Anwendung oder im System“. Eindeutiger ist, von „offenen Aufträgen (hier Clientanfragen) im System“ zu sprechen, egal ob aktuell in Bearbeitung oder aus irgendeinem Grund in einem Wartezustand. Die Parallelität N ist dimensionslos und darf nicht mit dem Durchsatz (dimensionsbehaftet [1/s]) verwechselt werden. Die Parallelität oder „die Anzahl der offenen Aufträge“ N kann auch als Last der Webanwendung aufgefasst werden.

kuhn_1.tif_fmt1.jpgAbb. 1: Typisches Antwortzeitverhalten und Durchsatz einer Webanwendung

Eine typische, gut skalierende Webanwendung zeigt das in Abbildung 1 dargestellte Verhalten für den Durchsatz und die Antwortzeit in Abhängigkeit von der Last. Mittels eines Lasttesttools, hier JMeter, wird ein Seitenaufrufszenario programmiert. Das programmierte Verhältnis der Seitenaufrufe spiegelt die Statistik des (derzeitigen oder erwarteten) Wirkbetriebs wider. Mit dem JMeter-Lasttreiber macht man jeweils eine Messung mit ca. 1 000 bis 2 000 Durchläufen ohne Denkzeit (Begründung folgt später) und fester Threadanzahl. So liefert der JMeter-Lasttreiber jeweils eine jtl-Log-Datei, die wir mithilfe des JMeter-Frontends und einer geeigneten Tabellenkalkulation auswerten können (Abb. 2).

kuhn_2.tif_fmt1.jpgAbb. 2: Webanwendung und JMeter-Lasttreiber

Interpretation der Ergebnisse

Die Antwortzeiten sind bei bis zu etwa sieben parallelen Anfragen (aktive Threads des Clients und des Servers) als konstant und mit weniger als 200 ms als gut zu bezeichnen (unser erstes Ergebnis). Bei über sieben parallelen Anfragen steigt die Antwortzeit fast linear an. Die Anfragen müssen sich die Rechenzeit der sieben CPUs teilen. Jede weitere parallele Anfrage führt zu einem direkt proportionalen Anstieg der Antwortzeit.

Das „Operating“ wird die Anwendung natürlich nicht dauerhaft mehr als sieben parallele Anfragen betreiben lassen. Aber man sieht, dass sich die Applikation bei kurzfristiger und sogar massiver Überlastung gutmütig und stabil verhält.

Der Durchsatz zeigt ein ähnliches, aber komplementäres Verhalten. Bei bis zu sieben parallelen Anfragen steigt der Durchsatz fast linear an. Kommen dann mehr Anfragen, als Rechenzeit zur Verfügung steht, kommt es zur Sättigung. Der Durchsatz erhöht sich nicht mehr und bleibt quasi konstant.

Das ist das Verhalten, das wir von einer gut skalierenden Webanwendung erwarten. Die Rechenleistung wird auch bei Erhöhung der Nutzerzahl gut ausgenutzt. Außer dem Queuing an der CPU-Ressource kommt es zu keiner gegenseitigen „Blockade“ der Anfragen bzw. Threads. Es ist zu erwarten, dass durch einfaches Zustecken weiterer CPU-Module oder noch besser in einer virtualisierten Hardwareplattform durch Hinzu- oder...

headline from sands settings