Создание платформы для тестирования нагрузки с помощью Locust и Python

Современные приложения должны обрабатывать тысячи одновременных пользователей без сбоев, что делает инженерию производительности критическим навыком для разработчиков и специалистов по контролю качества. Этот текстовый курс поможет вам разработать, выполнить и проанализировать нагрузки, чтобы ваши системы оставались быстрыми и надежными под давлением. Вы научитесь писать масштабируемые тестовые сценарии на Python, моделировать реалистичное поведение пользователей и выявлять узкие места в системе до того, как они повлияют на ваших пользовательских. Что вы узнаете: - Понять основные концепции инженерии производительности, включая задержку, пропускную способность и имитацию одновременного пользователя. - Создайте пользовательскую платформу для тестирования нагрузки с использованием Locust, HTTPX и Python. - Имитировать различные типы трафика через HTTP, gRPC и посредников сообщений, таких как Kafka. - Динамическая проверка данных тестирования и полезных нагрузок API с использованием Pydantic и FastAPI. - Анализ показателей производительности и узких мест системы с помощью приборных панелей Grafana и запросов базы данных. - Интегрируйте автоматизированные тесты нагрузки в конвейеры CI / CD с использованием GitLab CI и контейнеризированных сред с Docker. Курс начинается с основных определений показателей производительности и терминологии тестирования нагрузки. Затем вы пройдете пошаговые письменные руководства по настройке тестовых сред, имитации внешних служб, баз данных для тестирования и запуска тестов распределенной нагрузке. Этот курс предназначен для начинающих инженеров по производительности, разработчиков программного обеспечения и инженеров QA, желающих расширить свои навыки автоматизации. Не требуется предварительного опыта тестирования нагрузки, хотя полезно иметь базовое понимание Python и веб-API. Начните читать сегодня, чтобы овладеть искусством разработки производительности и создавать устойчивые программные системы.