一般來說，軟件測試往往是比較簡單的：每個輸入=>已知輸出。然而，縱觀整個軟件測試的歷史，會發現很多測試往往都停留在猜測水平上。也就是說，測試時由開發者構想出用戶的操作流程，估計可能出現的負載并分析需要耗費的時間，然后運行測試，并將當前結果與基準答案進行比較。如果我們發現不存在回歸，那么就認為當前構建方案是正確的；然后，繼續后面的測試。如果存在回歸，就返回。大多數時候，我們已經知道了輸出結果，盡管它需要更好的定義——回歸的邊界清晰，并不那么模糊。其實，這正是機器學習（ML）系統和預測分析的切入點——結束歧義。

測試完成后，性能工程師所做的工作不僅是查看結果的算術平均值和幾何平均值，他們還會查看有關百分比數據。例如，系統運行過程中，往往10%的最慢請求都是由系統錯誤導致的——該錯誤會產生一個總是影響程序運行速度的條件。

雖然我們可以手動關聯數據中可用的屬性，但是ML可能會比您以更快的速度鏈接數據屬性。在確定導致10%的錯誤請求的條件后，性能工程師便可以構建測試場景來重現該行為。在修復之前和之后運行測試能夠幫助確定修復已經得到更正。

圖1：對績效指標的總體信心

機器學習和數據科學的性能

機器學習有助于促進軟件開發，使有關開發技術更堅固、更好地滿足用戶在不同領域和行業的需求。我們可以通過將管道和環境中的數據輸入到深度學習算法來暴露因果模式。預測分析算法與性能工程方法相結合，可實現更高效、更快的吞吐量，深入了解終端用戶如何在自然場景下使用軟件，并幫助開發者降低帶有缺陷的產品應用于生產環境的可能性。通過及早發現問題及其原因，您可以在開發生命周期的早期進行問題糾正，并防止對生產產生影響。總體來看，您可以通過以下方式利用預測分析來提高應用程序性能。

確定根本原因。您可以使用機器學習技術來確定可用性或性能問題的根本原因，從而關注其他需要注意的領域。然后，預測分析可以分析每個集群的各種特征，提供我們需要進行更改的見解，以達到理想的性能并避免瓶頸。

監視應用程序運行狀況。使用機器學習技術執行實時應用程序監控，有助于企業能夠及時發現系統性能降級并迅速作出響應。大多數應用程序依賴于多個服務來獲得完整應用程序的狀態；預測分析模型能夠在應用程序運行正常時關聯并分析數據，以識別傳入數據是否為異常值。

預測用戶負載。我們依靠峰值用戶流量來調整基礎設施的規模，以適應未來訪問應用程序的用戶數量。這種方法有局限性，因為它不考慮變化或其他未知因素。預測分析有助于顯示用戶負載，并更好地做好應對準備，幫助團隊規劃其基礎設施需求和容量利用率。

在為時已晚之前預測停機。在應用程序停機或停電發生之前預測它們將有助于采取預防措施。預測分析模型將遵循先前的停電情形，并繼續監測類似情況，以預測未來的故障。

停止查看閾值，開始分析數據。可觀測性和監測產生的大量數據每周最多需要幾百兆字節。即使使用現代分析工具，您也必須事先知道自己在尋找什么。這導致團隊不直接查看數據，而是設置閾值作為行動的觸發因素。即使是成熟的團隊也會尋找例外情況，而不是鉆研他們的數據。為了緩解這種情況，我們將模型與可用數據源集成。然后，模型將篩選數據并計算隨時間推移的閾值。使用這種技術，模型被饋送并匯總歷史數據，提供基于季節性而不是由人類設定的閾值。基于算法來設置閾值有助于觸發更少的警報；另一方面，這也帶來更好的可操作性和更高價值。

跨數據集分析和關聯。您的數據大多是時間序列，因此可以更容易地查看隨時間變化的單個變量。許多趨勢來自多種措施的相互作用。例如，只有在同一目標同時進行各種事務時，響應時間才會下降。對于人類來說，這幾乎是不可能的，但經過適當訓練的算法卻有助于發現這些相關性。

預測分析中數據的重要性

“大數據”通常指的是數據集。不錯，是大數據集，速度提升很快，內容變化也很大。對于這樣數據的分析需要專門的方法，以便我們能夠從中提取模式和信息。近些年來，存儲、處理器、進程并行化以及算法設計的改進都使得系統能夠在合理的時間內處理大量數據，從而允許更廣泛地使用這些方法。為了獲得有意義的結果，您必須確保數據的一致性。

例如，每個項目必須使用相同的排名系統，因此，如果一個項目使用1作為關鍵值，而另一個項目使用5——就像人們使用“DEFCON 5”表示“DEFCON 1”時一樣；那么，必須在處理之前對這些值進行規范化處理。預測算法由算法及其輸入的數據組成，而軟件開發產生了大量數據，直到最近，這些數據仍處于閑置狀態，等待刪除。然而，預測分析算法可以處理這些文件，針對我們無法檢測到的模式，根據這些數據提出和回答問題，例如：

我們是否在浪費時間測試未使用的場景嗎？

性能改進如何與用戶幸福感相關聯？

修復特定缺陷需要多長時間？

這些問題及其答案就是預測分析的用途——更好地理解可能發生的事情。

算法

預測分析的另一個主要組成部分是算法；您需要仔細選擇或實現它。從簡單開始是至關重要的，因為模型往往會變得越來越復雜，對輸入數據的變化越來越敏感，并有可能扭曲預測。它們可以解決兩類問題：分類和回歸（見圖2）。

分類：分類用于預測集合的結果，方法是從輸入數據中推斷標簽（如“向下”或“向上”）開始，將集合劃分為不同的類別。

回歸：當輸出變量是一組實值時，回歸用于預測集合的結果。它將處理輸入數據來進行預測——例如，使用的內存量、開發人員編寫的代碼行等。最常用的預測模型是神經網絡、決策樹以及線性和邏輯回歸。

圖2：分類與回歸

神經網絡

神經網絡通過實例學習，并使用歷史數據和當前數據來預測未來價值。它們的架構允許它們識別隱藏在數據中的復雜關系，以復制我們大腦檢測模式的方式。它們包含許多層，這些層接受數據、計算預測并作為單個預測提供輸出。

決策樹

決策樹是一種分析方法，它將結果呈現在一系列“if/then”選項中，以預測特定選項的潛在風險和收益。它可以解決所有分類問題并回答復雜問題。

如圖3所示，決策樹類似于由算法生成的自頂向下的樹，該算法能夠識別將數據分割成分支狀劃分的各種方式，以說明未來的決策并幫助識別決策路徑。

如果加載時間超過三秒，樹中的一個分支可能是放棄購物車的用戶。在這一條之下，另一條分支可能會指明她們是否屬于女性。“yes”的回答會增加風險，因為分析表明，女性更容易沖動購買，而這種延遲會讓人陷入沉思。

圖3：決策樹示例

線性和邏輯回歸

回歸是最流行的統計方法之一。在估算數字時，這一點至關重要，例如在“黑色星期五”大促活動期間，我們需要為每項服務增加多少資源。許多回歸算法被設計來估計變量之間的關系，在龐大的和混合的數據集中找到關鍵模式，以及它們之間的關系。它的范圍從簡單的線性回歸模型（計算擬合數據的直線函數）到邏輯回歸（計算曲線）（圖4）。

圖4：線性回歸與邏輯回歸

這些是監督學習方法，因為算法解決了特定的屬性。當你心中沒有特定的結果，但想確定可能的模式或趨勢時，可以使用無監督學習。在這種情況下，該模型將分析盡可能多的特征組合，以找到人類可以采取行動的相關性。

圖5：有監督與無監督學習

性能工程中的“左移”

使用以前的算法來衡量消費者對產品和應用程序的看法，使得性能工程更加以消費者為中心。收集所有信息后，必須通過適當的工具和算法對其進行存儲和分析。這些數據可以包括錯誤日志、測試用例、測試結果、生產事件、應用程序日志文件、項目文檔、事件日志、跟蹤，等等。然后，我們可以將其應用于數據中，以獲得各種見解：

分析環境中的缺陷

評估對客戶體驗的影響

確定問題模式

創建更準確的測試場景，等等

該技術支持質量方面的左移（shift-left）方法，允許您預測執行性能測試所需的時間、可能識別的缺陷數量以及可能導致生產的缺陷數量，從而實現性能測試的更好覆蓋，并創建真實的用戶體驗。可防止和糾正可用性、兼容性、性能和安全性等問題，而不會影響用戶。

以下是一些有助于提高質量的信息類型的示例：

缺陷類型

在哪個階段發現了缺陷

缺陷的根本原因是什么

缺陷是否可再現

一旦您了解了這一點，就可以進行更改并創建測試，以更快地防止類似問題。

結論

自編程誕生以來，軟件工程師已經做出了成百上千的假設。但是，今天的數字用戶們更加意識到這一點，而且對錯誤和失敗的容忍度也進一步降低。另一方面，企業也在競相通過量身定制的服務和越來越難測試的復雜軟件，力圖提供更具吸引力和完美的用戶體驗。

今天，一切都需要無縫工作，并支持所有流行的瀏覽器、移動設備和應用程序。即使是幾分鐘的撞車事故也可能造成數千或數百萬美元的損失。為了防止出現問題，團隊必須在整個軟件生命周期中整合可觀測性解決方案和用戶體驗。管理復雜系統的質量和性能需要的不僅僅是執行測試用例和運行負載測試。趨勢可以幫助您判斷情況是否得到控制、好轉或惡化，以及改善或惡化的速度。機器學習技術可以幫助預測性能問題，使團隊能夠正確進行方案調整。最后，讓我們來引用本杰明·富蘭克林（Benjamin Franklin）的一句話作為結束語：“一盎司預防抵得上一磅治療。”