最早提到接口测试的优点时，有一个就是执行效率提升，可能是UI层面执行的N倍。但是今天我要分享的这个案例这个优点的升级版本。

某个接口参数倒是不多，但是每个参数的范围略大，最大的将近500个枚举范围，小的也是20个。如果把所有参数组合穷举完，粗略估计可能10亿级别的。

需求就是要把这部分所有参数组合都遍历进行测试，然后我就开始了踩坑了。

初版方案

一开始的想法就是多个循环嵌套，然后并发发起请求，实现起来非常简单方便。如下：

@Log4j2class TT extends MonitorRT {    static void main(String[] args) {        ["types参数集合"].each {            def type = it            ["id类型集合"].each {                def id = it                2.upto(99) {                    def a = it                    2.upto(99) {                        def b = it                        2.upto(99) {                            def c = it                            def params = new JSONObject()                            params.id = id                            params.endTime = 0                            params.type = type                            params.paramMap = parse("{\"a\":\"${a}\",\"b\":\"$b\",\"c\":\"$c\"}")                            fun {                                getHttpResponse(getHttpGet(url,params))                            }                        }                    }                }            }        }    }}

但是方案的缺陷显而易见。

1. 数量太大，导致后面的异步任务直接被线程池拒绝
2. 无法控制QPS和并发数

针对这第一个问题，我是增加了异步线程池等待队列的长度，可以我发现了新的问题，就是内存压力太大，这个会在后面的中也遇到。

升级版

针对存在第二个问题，我回归到性能测试框架中，通过动态调整QPS的功能来调整QPS或者并发数，这里我选择了QPS，这个更容易更可控。我的思路是，先把所有参数遍历一遍，存在一个List当中，然后在去遍历这个List，通过动态QPS压测模型把所有请求发出去。

    static void main(String[] args) {        def list = []        ["types参数集合"].each {            def type = it            ["id类型集合"].each {                def id = it                2.upto(99) {                    def a = it                    2.upto(99) {                        def b = it                        2.upto(99) {                            def c = it                            def params = new JSONObject()                            params.id = id                            params.endTime = 0                            params.type = type                            params.paramMap = parse("{\"a\":\"${a}\",\"b\":\"$b\",\"c\":\"$c\"}")                        }                    }                }            }        }        AtomicInteger index = new AtomicInteger()        def test = {            def increment = index.getAndIncrement()            if (increment >= list.size()) FunQpsConcurrent.stop()            else getHttpResponse(getHttpGet(url, list.get(increment)))        }        new FunQpsConcurrent(test,"遍历10亿参数组合").start()    }

但是新的问题立马就来了，当我运行改代码的时候，发现本机的CPU疯狂飙升，仔细看了一下，原来是GC导致的。存放这么多的数据，内存撑不住了。下面就着手解决内存的问题，这里参考10 亿条日志回放chronicle性能测试中的思路。

终版

这里用到了线程安全的队列java.util.concurrent.LinkedBlockingQueue以及对应长度的等待功能，再配合异步生成请求参数，基本上完美解决需求。这里依旧使用休眠1s来进行缓冲，避免队列长度过大，只有队列长度足够1s的2倍消费即可。

    static void main(String[] args) {        def ps = new LinkedBlockingQueue()        fun {            ["types参数集合"].each {                def type = it                ["id类型集合"].each {                    def id = it                    2.upto(99) {                        def a = it                        2.upto(99) {                            def b = it                            2.upto(99) {                                def c = it                                def params = new JSONObject()                                params.id = id                                params.endTime = 0                                params.type = type                                params.paramMap = parse("{\"a\":\"${a}\",\"b\":\"$b\",\"c\":\"$c\"}")                                if (ps.size() > 10_0000) sleep(1.0)                                ps.put(params)                            }                        }                    }                }            }        }        AtomicInteger index = new AtomicInteger()        def test = {            def params = ps.poll(100, TimeUnit.MILLISECONDS)            if (params == null) FunQpsConcurrent.stop()            else getHttpResponse(getHttpGet(url, params))        }        new FunQpsConcurrent(test, "遍历10亿参数组合").start()    }

随着对队列的学习和使用，最近自己也想写一个10亿级别的日志回放功能，到时候对比chronicle看看性能如何，敬请期待。