【压力测试】Apache Beach ab压力测试工具Window下载和用法详解

本文介绍了自带的网站压力测试工具ab,它可对多种服务器进行压力测试。详细说明了在Windows下的下载安装过程,包括修改端口配置。还阐述了测试时的注意事项,如命令参数含义,同时指出ab工具因消耗小,有人会用其进行ddos攻击。

ab 是 apache httpd 自带的网站压力测试工具。
使用起来非常的简单和方便。

不仅仅是可以apache服务器进行网站访问压力测试,还可以对其他类型的服务器进行压力测试。

比如nginx,tomcat,IIS等

  • 首先当然是下载安装了。
    在这里只讲window下在下载安装

    官方下载地址:,(https://www.apachehaus.com/cgi-bin/download.plx)

  • 下载完成后解压
    我就直接解压到d盘的apacheab中去了

    修改解压根目录下的conf/httpd.conf文件的端口配置,默认是80端口,应该是被占用了,无法安装,可以自行修改为其他,我在这里修改为8088端口

然后输入命令安装:

httpd -k install

第一次安装错误是因为端口没有改,被占用了,应该是被iis占用的。
接下来就是测试了

开始测试

如果你需要在命令行的任意路径下可以输入ab测试,可以把bin目录路径加到环境变量的path中去

我是在bin目录下打开命令行的
注意,下面的是错误的,因为需要在域名后加上/path

ab -n 100 -c 10 http://www.baidu.com

报错信息如下:

ab: invalid URL
Usage: ab [options] [http://]hostname[:port]/path

必须要接有path
所以我换一下测试命令:

ab -n 100 -c 10 http://www.baidu.com/s

-n 表示请求数,-c 表示并发数.
s为path,表示指定测试地址,不指定可能会报”ab: invalid url” 错误.
另外还有-t 表示多少s内并发和请求

测试出来的数据如下:

D:\apacheab\Apache24\bin>ab -n 100 -c 10 http://www.baidu.com/s
This is ApacheBench, Version 2.3 <$Revision: 1807734 $> 
Copyright 1996 Adam Twiss, Zeus Technology Ltd, http://www.zeustech.net/
Licensed to The Apache Software Foundation, http://www.apache.org/

Benchmarking www.baidu.com (be patient).....done


Server Software:        BWS/1.1   
##服务器软件和版本
Server Hostname:        www.baidu.com  
##请求的地址/域名
Server Port:            80   
##端口

Document Path:          /s  
##请求的路径
Document Length:        112435 bytes  
##页面数据/返回的数据量

Concurrency Level:      10   
##并发数
Time taken for tests:   4.764 seconds  
##共使用了多少时间 
Complete requests:      100  
##请求数 
Failed requests:        99  
##失败请求  百度为什么失败这么多,应该是百度做了防范  
   (Connect: 0, Receive: 0, Length: 99, Exceptions: 0)
Total transferred:      11342771 bytes  
##总共传输字节数,包含http的头信息等 
HTML transferred:       11247622 bytes  
##html字节数,实际的页面传递字节数 
Requests per second:    20.99 [#/sec] (mean) 
 ##每秒多少请求,这个是非常重要的参数数值,服务器的吞吐量 
Time per request:       476.427 [ms] (mean)   
##用户平均请求等待时间 
Time per request:       47.643 [ms] (mean, across all concurrent requests)  
##服务器平均处理时间,也就是服务器吞吐量的倒数 
Transfer rate:          2325.00 [Kbytes/sec] received
 ##每秒获取的数据长度

Connection Times (ms)
              min  mean[+/-sd] median   max
Connect:       22   41  12.4     39      82
##连接的最小时间,平均值,中值,最大值
Processing:   113  386 211.1    330    1246
##处理时间
Waiting:       25   80  43.9     73     266
##等待时间
Total:        152  427 210.1    373    1283
##合计时间

Percentage of the requests served within a certain time (ms)
  50%    373   
## 50%的请求在373ms内返回 
  66%    400   
## 60%的请求在400ms内返回 
  75%    426
  80%    465
  90%    761
  95%    930
  98%   1192
  99%   1283
 100%   1283 (longest request)

因为ab工具消耗小,所以有些人也用来进行ddos攻击,算一种ddos攻击工具

转载请注明出处:http://chenhaoxiang.cn/2018/01/26/0920-2/
本文源自谙忆的博客

内容概要:本文围绕考虑隐私保护的分布式联邦学习在电力负荷预中的应用展开研究,并提供了完整的Python代码实现。该方法采用联邦学习的分布式架构,允许多个数据持有方在不共享原始敏感数据的前提下协同训练高精度的负荷预模型,有效解决了数据孤岛与用户隐私泄露之间的矛盾。研究详细阐述了联邦学习的核心机制,包括本地模型训练、加密参数上传、全局模型聚合等关键流程,并基于真实电力负荷数据进行了实验验证,结果表明该方法在保障数据隐私安全的同时,仍能保持优异的预性能与模型泛化能力。; 适合人群:具备一定机器学习基础电力系统背景的研究人员,以及从事负荷预、数据隐私保护、联邦学习算法开发的研究生技术人员。; 使用场景及目标:①应用于居民区、工业园区等多主体参与的电力负荷预场景,解决跨机构数据协作中的隐私合规问题;②为构建安全可信的智能电网数据共享与分析平台提供关键技术支撑;③推动联邦学习在能源互联网、需求响应、虚拟电厂等领域的工程化落地。; 阅读建议:建议读者结合所提供的Python代码进行动手实践,深入理解联邦学习的通信协议、梯度聚合机制与隐私保护策略,可在复现实验的基础上尝试引入差分隐私、同态加密等增强手段,或优化模型结构以提升预效率与精度。
内容概要:本文提出了一种基于缩感知中密钥控制量矩阵的新型图像缩加密混合算法,深度融合缩感知理论与现代密码学机制,实现图像在高效缩的同时完成高强度的安全加密。该算法通过引入密钥动态生成或调控量矩阵,确保仅有持有正确密钥的授权方能够准确重构原始图像,从而显著提升系统的抗攻击能力保密性。文中系统阐述了算法的设计原理、密钥控制机制、量矩阵构造方法以及信号重构流程,并基于Matlab平台进行了完整的代码实现与仿真实验,验证了该算法在缩效率、重构图像质量(如PSNR、SSIM指标)以及抵抗常见攻击(如噪声、剪切、统计分析)等方面的优异性能。; 适合人群:具备信号处理、信息安全或数字图像处理基础知识,正在从事相关领域研究的研究生、科研人员及工程技术开发者。; 使用场景及目标:①适用于军事通信、医疗影像安全传输、云端敏感图像存储等需兼顾缩效率与数据安全的场景;②为探索缩感知与信息安全交叉领域的研究人员提供可复现的算法设计范例与仿真代码参考;③推动图像数据在传输与存储过程中实现高效性与安全性的有机统一。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法实现细节,重点分析密钥控制量矩阵的生成逻辑及其对重构性能的影响,同时可在不同类型的图像数据集上进行试,以全面评估算法的鲁棒性与泛化能力。
内容概要:本文研究了一种面向间歇性拒绝服务(DoS)攻击的混合动态事件触发微电网多目标二次均衡控制策略,旨在保障孤岛微电网在遭受网络安全威胁时仍能实现电频率的稳定恢复与有功无功功率的精确均分。通过构建非奇异终端滑模面,结合基于强化学习的RBF神经网络与扰动观器,有效提升了系统对未知扰动攻击导致通信中断的鲁棒性;同时引入混合动态事件触发机制,显著降低了控制器间的通信频率,节约了通信资源。该方法在Simulink平台上建立了完整的微电网仿真模型,验证了所提控制框架在复杂攻击场景下的有效性与优越性,实现了安全性、稳定性与资源效率的协同优化。; 适合人群:具备电力系统自动化、现代控制理论基础及MATLAB/Simulink仿真能力的研究生、科研人员,以及从事微电网控制系统设计与安全防护的工程技术人员。; 使用场景及目标:① 提升高危网络环境下微电网的抗攻击能力与运行可靠性;② 实现二次控制中多目标(电、频率、功率分配)的协同优化调控;③ 在保证动态响应性能的前提下减少通信开销,适用于资源受限的分布式能源系统实际部署场景。; 阅读建议:建议读者结合提供的Simulink仿真模型深入理解控制器的设计流程与稳定性分析方法,重点关注滑模面构造、RBF神经网络补偿机制及事件触发阈值设定等关键技术环节,并可根据具体应用场景调整参数以实现定制化优化。
内容概要:本文针对高渗透率新能源接入背景下电力系统稳定运行的挑战,研究了可切换构网型(GFM)与跟网型(GFL)逆变器之间的双向平滑切换控制策略。传统GFL逆变器依赖电网锁相运行,在弱电网或孤岛工况下易失稳;而GFM逆变器虽具备自主建能力,但在并网时缺乏同步调节机制,难以实现无缝切换。为此,文章提出一种基于共用硬件平台统一内环控制架构的双向切换策略,重点设计了切换判据、切换时序及过渡过程中的平滑抑制方法,有效避免切换过程中出现功率冲击、电畸变频率波动等问题。研究建立了GFL与VSG型GFM逆变器的完整控制模型,并通过Simulink仿真实验验证了该策略在不同工况下的有效性,结果表明系统在模式切换过程中能够保持良好的动态响应平滑过渡性能。; 适合人群:从事电力电子、新能源并网控制、微电网与智能配电网研究的科研人员及工程技术人员,具备一定电力系统与控制理论基础的研究生及以上学历人员。; 使用场景及目标:①应用于分布式光伏、储能系统等新能源并网设备,提升其在复杂电网环境下的适应性与稳定性;②实现逆变器在并网与孤岛模式间的无缝切换,增强微电网的自治运行能力;③为构网型与跟网型控制技术的融合应用提供理论支持与工程参考。; 阅读建议:建议结合文中提供的Simulink仿真模型进行实践操作,重点关注切换判据设置与过渡控制策略的实现细节,同时可进一步拓展至多机并联系统中的协同切换研究。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值