Gatling阶梯增长、脉冲压力和波浪模型三种相对复杂场景，这些模型是为了超越基础的固定并发用户数或线性增长用户数，更科学、更贴近真实业务场景或更极端的方式压测系统，测试在不同压力模式下的性能表现和性能瓶颈。

负载模型是时间（Time）到并发用户数（Active Users）的函数

Gatling负载模型通过injection定义。设计复杂模型是组合或自定义这些注入，构造特定的“时间-用户数”函数曲线。

模型一：阶梯增长模型

模型模拟用户量分阶段稳步上升的场景，如产品推广期、节假日预热。允许系统在每级压力下稳定运行一段时间，观察性能表现是否平稳，从而找到性能临界点。

每级阶梯包含“用户增长”和“压力保持”两个阶段。需要合理设置阶梯高度（每级新增用户数）和宽度（每级持续时间）。

Gatling示例：

scala

import scala.concurrent.duration._

setUp(

  scn.inject(

    // 第一阶梯：立即注入10用户，持续30秒

    incrementUsersPerSec(10)

      .times(1) // 阶梯次数

      .eachLevelLasting(30 seconds) // 每个阶梯持续时间

      .startingFrom(0), // 起始负载

    // 第二阶梯：在上一级基础上，再增加15用户/秒，即达到25用户/秒，再持续30秒

    incrementUsersPerSec(15)

      .times(1)

      .eachLevelLasting(30 seconds)

      .startingFrom(10), // 注意起始点是上一级的终点

    // 第三阶梯：再增加20用户/秒，达到45用户/秒，持续1分钟

    incrementUsersPerSec(20)

      .times(1)

      .eachLevelLasting(1 minute)

      .startingFrom(25)

  ).protocols(httpProtocol)

)

主要参数：

times()： 定义该阶梯重复次数。设为1，表示单一阶梯。

eachLevelLasting()： 定义该阶梯的稳定压力保持时间，观察系统稳定性的窗口。

startingFrom()： 必须精确设置为上一阶梯结束时的总用户速率，保证阶梯的连续性。

分析观察每个阶梯保持阶段的响应时间曲线和错误率。如果某个阶梯保持期间响应时间持续攀升或错误率增加，说明系统在此压力下已经无法稳定运行。

模型二：脉冲压力模型

模型模拟瞬时高并发冲击，如秒杀活动、缓存击穿、定时任务触发。目的是测试系统的弹性伸缩能力、瞬时处理能力及资源回收速度。

在极短时间内注入大量用户，压力陡升陡降，形成“脉冲”。需关注脉冲的高度（并发峰值）、宽度（冲击持续时间）和间隔。

Gatling实现示例：

scala

setUp(

  scn.inject(

    // 第一个脉冲：0秒时，瞬间注入100用户

    atOnceUsers(100),

    // 等待系统恢复60秒

    nothingFor(60 seconds),

    // 第二个，更强的脉冲：0秒时，瞬间注入200用户

    atOnceUsers(200),

    // 等待系统恢复

    nothingFor(120 seconds),

    // 第三个脉冲：模拟更真实的秒杀，在2秒内分批注入300用户（比瞬时更柔和但压力仍大）

    rampUsersPerSec(10).to(300).during(2 seconds),

    nothingFor(60 seconds)

  ).protocols(httpProtocol)

)

变体设计（分批脉冲）：使用rampUsers或rampUsersPerSec在极短时间（如2-5秒）内快速达到峰值，比atOnceUsers更贴近某些真实场景（用户并非完全同时点击）。

结果分析：

尖峰时刻：脉冲期间的TPS（每秒事务数）最大值、响应时间峰值、错误率。

恢复过程：脉冲结束后，响应时间、系统负载（如CPU）恢复到正常水平所需的时间。恢复过慢可能预示内存泄漏或连接池耗尽。

资源监控：结合监控工具，观察CPU、内存、线程池、数据库连接在脉冲前后的变化。

模型三：波浪（波动）模型

模型模拟具有周期性波动特点的业务负载，如日间活跃高峰、夜间批处理低谷，或社交媒体的波浪式热点。测试系统在周期性变化压力下的稳定。

构造一个类似正弦波或锯齿波的负载曲线。需要定义波浪的周期、波峰/波谷的负载值、以及波浪的个数。

Gatling实现：Gatling未内置标准“波浪”函数，但可通过组合rampUsersPerSec和constantUsersPerSec分段逼近，或使用自定义加载配置文件来实现。

方法一：分段线性逼近（简单波浪）

scala

setUp(

  scn.inject(

    // 第一个波浪周期：60秒

    // 上升沿：20秒内从10用户/秒线性增加到50用户/秒

    rampUsersPerSec(10).to(50).during(20 seconds),

    // 峰值保持：10秒

    constantUsersPerSec(50).during(10 seconds),

    // 下降沿：20秒内从50用户/秒线性减少到10用户/秒

    rampUsersPerSec(50).to(10).during(20 seconds),

    // 谷值保持：10秒

    constantUsersPerSec(10).during(10 seconds),

    // 开始第二个波浪周期...

    rampUsersPerSec(10).to(60).during(20 seconds) // 第二个波浪峰值可以更高

  ).protocols(httpProtocol)

)

方法二：使用自定义函数（高级也更平滑）

通过实现 InjectionProfile 接口，可以用数学函数（如正弦函数）精确计算每一秒应注入的用户数，实现平滑波浪。方法代码较复杂，但能产生更真实的负载曲线。

结果分析：

滞后和同步：系统响应时间曲线是否和负载波浪曲线同步变化？是否存在明显滞后？

周期稳定：比较多个波浪周期内，相同相位点（如每个波峰）的响应时间和TPS。性能是否稳定，还是会随周期数增加而逐步恶化？

平均性能：在整个波浪式负载下，系统整体平均响应时间和吞吐量是否满足服务等级协议要求。

混合模型

负载模型往往是混合的混合模型。如：阶梯增长作为基线，叠加周期性的日常波浪，并在特定时刻出现脉冲。

建议：

在执行任何复杂负载测试前，保证有全面的应用、系统、中间件和数据库监控。没有监控的压测是盲人摸象。

先运行基础负载（如固定并发）建立性能基线，再逐步增加复杂性。

配合使用真实的数据（参数化）和合理的用户思考时间，避免产生不切实际的高吞吐假象。

在场景中设置断言，并使用Gatling HTML报告结合自定义监控图表进行分析。注意response time distribution（响应时间分布）和requests/sec（每秒请求数）图表和负载曲线的关联。