请求发送速率(RPS)分布控制及可视化说明
背景介绍
在使用AISBench工具进行性能测评场景下，于推理阶段进行发送请求时对发送速率进行波动控制，旨在模拟真实业务场景中的流量波动，包括突发性流量和持续增长的流量模式。 使用方式请参考文件配置处描述。
核心功能包括：
模拟突发性流量
目的：通过对请求发送速率进行动态波动控制，以还原业务高峰期的流量骤升，评估系统应对突发请求的响应能力
方式：通过 burstiness 参数调整分布形态，从而实现多种数学分布生成请求发送间隔，如 均匀分布、泊松分布、Gamma 分布
模拟持续增长流量
目的：通过模拟业务请求量持续上升的场景，检验系统处理逐步加压的能力
方式：通过 ramp_up_strategy、ramp_up_start_rps 与 ramp_up_end_rps 参数设置线性或指数增长模式
可视化
请求发送前，展示期望的请求发送速率分布
请求发送后，呈现真实发送请求发送速率分布和预期值的差异，确保用户能直观理解流量波动和系统性能。
🔍 用词解读
RPS：请求发送速率，单位为：\(请求条数/秒\)
突发性：请求流量高峰期
爬升、爬升行为：指代请求发送速率从一个起始速率按照特定的方式增长到终止速率的行为
公式中，
burstiness将简化为\(\beta\)
参数详解
文件配置
在对应的 🔗 Model api配置文件中，配置以下参数项即可启用功能：
models = [
dict(
... # 其他参数
request_rate = 100, # 已有的参数
traffic_cfg = dict( # 新增的 traffic_cfg 参数项
burstiness = 0.5,
ramp_up_strategy = "linear",
ramp_up_start_rps = 10,
ramp_up_end_rps = 200,
),
... # 其他参数
)
]
以上数值仅供参考，使用时请遵循参数解读章节表格中的
参数含义和参数规则进行配置
参数解读
爬升和爬升行为的定义请参考 背景介绍.用词解读
参数名称 |
参数含义 |
处理逻辑 |
|---|---|---|
burstiness |
突发性因子(\(\beta\))，即Gamma分布的形状参数 |
该项赋值为 |
ramp_up_strategy |
RPS增长时的方式 |
该项赋值为 |
ramp_up_start_rps |
RPS增长时的起始值 |
该项赋值为 |
ramp_up_end_rps |
RPS增长时的终止值 |
该项赋值为 |
表格摘要
控制爬升行为的三个参数：
ramp_up_strategy(请求发送速率增长方式："linear"(线性)或"exponential"(指数))，ramp_up_start_rps(请求发送速率增长时的起始速率)，ramp_up_end_rps(请求发送速率增长时的终止速率)控制突发波动性的参数：
burstiness(控制流量突发性的波动因子：(\(=0\):无突发)，(\(0<burstiness<1\):突发密集，Gamma分布)，(\(burstiness=1\):突发性呈泊松分布)，(\(burstiness>1\):突发性更均匀，相对均匀分布))约束关系
启用爬升行为需同时满足以下两点，否则爬升行为不生效:
ramp_up_strategy为"linear"或"exponential"\(ramp\_up\_start\_rps > 0\) 且 \(ramp\_up\_end\_rps > 0.1\) 且 \(ramp\_up\_end\_rps ≥ ramp\_up\_start\_rps\)
目标速率
定义：最终期望的请求发送速率
用词详解
"最终": 代表期望达到的发送速率
"期望": 由于受到突发性因子参数、并发数、服务化处理速率等多种因素的影响，此处得到的请求发送速率均为预设值，而非真实值 (真实发送速率请参考 📚 真实请求发送速率图中的表述)判断规则
当启用爬升行为时，
request_rate不再起作用，而由ramp_up_end_rps作为目标速率；反之，不启用爬升行为时，
request_rate将作为目标速率；当模型配置中 use_timestamp 为 True 且数据集包含 timestamp 时，请求按 timestamp 发送，request_rate 与 traffic_cfg 不参与调度；
瞬发场景：\(目标速率 < 0.1\)时，所有请求的发送速率视为瞬发
可视化: {datasetname}_rps_distribution_plot.html
简介
在\(目标速率 ≥ 0.1\)时（目标速率定义请参考参数解读.表格摘要.目标速率），该可视化文件落盘于：
性能测评：
output/default/{时间戳}/performances/{model_api名称}/
特殊说明
该图产生于
infer阶段的请求发送前，计算的数据均为预期的请求发送速率当为瞬发场景时(\(目标速率 < 0.1\))，该文件的三个图无参考意义，此时不产生该可视化文件
精度测评场景下不进行可视化
图表内容详解
示例如下：
操作方式请参考 🔗 基础交互操作-视图控制
1. 时间序列 vs RPS 图（Time vs RPS - Distribution）
X 轴：时间（秒）。
Y 轴：每秒请求数（RPS）。
包含轨迹：
Normal RPS（蓝色连线）：
判断逻辑：请求间隔时间 \(t_{\text{interval}} \geq 1\text{ms}\) 且 \(\frac{|t_{\text{actual}} - t_{\text{expected}}|}{t_{\text{expected}}} \leq 0.5\)
期望间隔计算：\(t_{\text{expected}} = \frac{1}{\text{RPS}_{\text{current}}}\)
数据来源：通过 Gamma 分布（当 \(\beta > 0\)）或固定间隔（当 \(\beta = 0\)）生成的请求间隔时间
Time Interval Caused Anomaly（红色三角）：
判断逻辑：即
时间间隔过短，筛选条件为：\(t_{\text{actual}} < 0.001\) 秒产生原因：由突发性因子
burstiness造成过小的时间间隔，系统无法可靠处理低于 \(1\text{ms}\) 的时间间隔从而计算出超高请求发送速率排除条件：当 \(\beta = 0\) 时不会产生此类异常
优先级：高于突发性异常，当同时满足
时间间隔过短和突发性异常影响过大两种异常条件时优先标记为此类特殊处理：超过1000条数据时，根据时间点，对数据做CDF密度采样处理，仅呈现变化趋势
Burstiness Caused Anomaly（黄色方块）：
判断逻辑：即
突发性异常影响过大，筛选条件为：\(\frac{|t_{\text{actual}} - t_{\text{expected}}|}{t_{\text{expected}}} > 0.5\)产生原因：由突发性因子
burstiness造成，Gamma 分布生成的突发性间隔时间显著偏离期望值排除条件：当 \(\beta = 0\) 时不会产生此类异常
特殊处理：超过1000条数据时，根据时间点，对数据做CDF密度采样处理，仅呈现变化趋势
N-point EWMA（紫色线）：
计算原理：指数加权移动平均 \(\text{EWMA}_t = \alpha \cdot \text{RPS}_t + (1-\alpha) \cdot \text{EWMA}_{t-1}\)
其中 \(\alpha = \frac{2}{N+1}\)，\(N\) 为自适应窗口大小（数据数量阈值:窗口大小：
1000:20,10000:50,100000:100,更大:200）
作用：对窗口大小内的时间点对应的RPS求加权平均值，移动窗口从而进行去除噪音值，形成
Normal RPS的去噪拟合线。对近期 RPS 值赋予更高权重，平滑序列以观察趋势
Theoretical Ramp-up（绿色虚线）：
计算原理：
线性爬升：\(\text{RPS} = R_{\text{start}} + (R_{\text{end}} - R_{\text{start}}) \times \text{progress}\)
指数爬升：\(\text{RPS} = R_{\text{start}} \times \left(\frac{R_{end}}{R_{start}}\right)^{progress}\)
其中 \(\text{progress} = \frac{i}{N-1}\)，\(i\) 为请求索引，\(N\) 为总请求数
前提条件：需要配置有效的、影响爬升行为相关的三个参数（
ramp_up_strategy,ramp_up_start_rps,ramp_up_end_rps）
2. 经典 RPS 分布图（Expected: RPS vs Request Count - Distribution）
X 轴：RPS 值。
Y 轴：请求计数（落入该 RPS 区间的请求数量）。
包含轨迹：
Normal Request Count（绿色直方图）：
判断逻辑：同时间序列图中的正常点
特殊处理：为展示突发性因子参数
burstiness的作用，突发性异常值在此图中被视为正常值
Time Interval Caused Anomaly（红色三角）：
判断逻辑：\(t_{\text{actual}} < 0.001\) 秒
分布特征：通常出现在 RPS 极高的区域（因为 \(\text{RPS} = \frac{1}{t_{\text{interval}}}\)，所以 \(t_{\text{interval}}\) 越小，RPS 越大）
3. 请求间隔时间分布图（Expected: Gamma Distribution (burstiness: {burstiness})）
X 轴：请求间隔时间（秒）。
Y 轴：请求计数（落入该时间区间的请求数量）。
包含轨迹：
Normal Intervals（紫色直方图）：
判断逻辑：\(t_{\text{interval}} \geq 0.001\) 且 \(\frac{|t_{\text{actual}} - t_{\text{expected}}|}{t_{\text{expected}}} \leq 0.5\)
分布形态：当 \(\beta > 0\) 时呈现 Gamma 分布形态
特殊处理：为展示突发性因子参数
burstiness的作用，突发性异常值在此图中被视为正常值
Time Interval Caused Anomaly（红色三角）：
判断逻辑：\(t_{\text{interval}} < 0.001\) 秒
位置特征：集中在 X 轴最左侧（接近 0 的区域）
4. 图例说明表格（Legend Explanation）
内容：
详细解释每个图表中出现的图例项（轨迹）的含义、计算原理、判断方式和可视化表现
表格结构包含6列：组名、图例项、含义、计算原理、判断方式、可视化表现
作用：帮助理解图表中各种轨迹所代表的含义，确保图表的解读准确性和一致性
5. 图例
内容：
按列区分图例轨迹控制
每个图例的格式为：
图例样式 组名 图例项
作用：控制每个图表中的轨迹展示(单击图例进行开关轨迹展示)，从而增强图表可读性
异常点详解
此处对
异常点的排除仅为提高可视化图示的可读性，故对异常数据点进行分类与处理即，在全局进行请求发送速率控制时，为保留模拟真实的突发性，仍保留这些异常数值
时间间隔异常（红色三角）
核心条件：\(t_{\text{interval}} < 0.001\)
产生场景：
高 RPS 场景下，即使按计划发送请求也可能产生极短间隔
爬升行为结束时（特别是指数爬升）可能出现瞬间高负载
多进程调度冲突导致请求堆积后突发发送
处理优先级：高于突发性异常，两者重叠时优先标记为定时异常
突发性异常（黄色方块）
核心条件：\(\frac{|t_{\text{actual}} - t_{\text{expected}}|}{t_{\text{expected}}} > 0.5\)
产生机制：
当 \(\beta > 0\) 时，通过 Gamma 分布生成间隔时间：
\(t_{\text{interval}} \sim \Gamma(\beta, \theta)\)
其中尺度参数 \(\theta = \frac{1}{\lambda \cdot \beta}\)，\(\lambda\) 为当前请求率
\(\beta\) 参数控制分布形态：
\(\beta = 1\)：泊松分布
\(\beta > 1\)：均匀分布 (也会产生突发性值，但请求发送速率相对更均匀)
\(0 < \beta < 1\)：Gamma分布（更多极端值）
特殊处理：当 \(\beta = 0\) 时，使用固定间隔 \(t_{\text{interval}} = \frac{1}{\lambda}\)，不会产生此类异常，\(\beta\) 默认为 \(0\)
爬升行为计算公式
两种爬升方式
线性爬升
\(\lambda_i = \lambda_{\text{start}} + (\lambda_{\text{end}} - \lambda_{\text{start}}) \times \frac{i}{N-1}\)
其中 \(i\) 是请求索引（0 到 N-1），\(N\) 是总请求数
指数爬升
\(\lambda_i = \lambda_{\text{start}} \times \left(\frac{\lambda_{end}}{\lambda_{start}} \right)^{\frac{i}{N-1}}\)
全局RPS - 全局请求偏移发送时间
时间偏移计算：
主进程计算全局累积延迟：
\(t_{cumulative, i} = \sum_{k=0}^{i} t_{interval, k}\)
各工作进程根据偏移量确定请求发送时间
异常检测：
在生成时间偏移时同步检测异常点：
\(timing_anomaly = \left\{i \mid t_{\text{interval},i} < 0.001\right\}\)
\(\text{burstiness_anomaly} = \left\{i \mid \frac{|t_{\text{actual}, i} - t_{\text{expected}, i}|}{t_{\text{expected}, i}} > 0.5\right\} \setminus \text{timing_anomaly}\)
\(\setminus\) 为集合差，表示前面的集合去除包含在后面集合中的元素
归一化处理（仅当无爬升行为且 \(\beta = 0\) 时）：
\(t_{\text{total}} = \frac{N}{\lambda}\)
\(k = \frac{t_{\text{total}}}{t_{\text{cumulative},N-1}}\)
\(t_{cumulative, i} \leftarrow k \times t_{cumulative, i}\)
确保总时间符合预期请求率
修正爬升行为引入的时间偏差（但注意，当采用爬升行为时，不进行归一化）
可视化: {datasetname}_rps_distribution_plot_with_actual_rps.html
精度测评场景下不进行可视化
图表示例
新增部分
详细图示
操作方式请参考 🔗 基础交互操作-视图控制
该图产生于
infer阶段的推理结束/中断等待数据后，文件落盘位置与{datasetname}_rps_distribution_plot.html预期的文件落盘位置相同。
图表解读
发送请求前产生
{datasetname}_rps_distribution_plot.html：在该文件原始绘制的Time vs RPS - Distribution图中，新增一条橙色轨迹，与原有的蓝色轨迹（预期正常RPS）叠加显示（如上示例呈现的视图红色标记部分）。可通过Actual RPS: After Excluding Anomalies图例切换显示/隐藏该轨迹，直观比较真实发送速率和预期发送速率间的差异。发送请求前不产生
{datasetname}_rps_distribution_plot.html：仅展示真实发送的Time vs RPS - Distribution图
数据处理
数据来源为
每条请求的发送时间点为真实发送时进行的打点，而数据获取来自请求发送结束后对发出时间点进行的打点记录绘制轨迹时，仍然会按照
{datasetname}_rps_distribution_plot.html中的Time vs RPS - Distribution图计算逻辑过滤异常值超过5000条请求时，根据时间点，对数据做CDF密度采样处理，仅为呈现和原始预期RPS变化趋势的区别
总结
异常点识别基于严格的数学条件（\(t_{\text{interval}} < 0.001\) 或 \(\frac{\Delta t}{t_{\text{expected}}} > 0.5\)）
RPS分布形态由
burstiness、ramp_up_strategy、ramp_up_start_rps和ramp_up_end_rps共同决定多进程调度中的全局时间偏移计算是预期的（即
{datasetname}_rps_distribution_plot.html的部分），而实际发送速率（即{datasetname}_rps_distribution_plot_with_actual_rps.html的新增部分）会受到并发数、物理机性能、服务化请求处理效率、多轮对话场景等因素而造成偏离预期的影响压测场景下，控制连接数创建的频率，不控制请求发送速率（每个连接创建后，会不间断的执行请求发送和处理返回）
多轮对话场景下，仅第一轮的请求分布有效
配置与可视化示例
burstiness
以下示例为配置突发性因子
burstiness参数为不同值时，对应的Expected：Gamma Distribution图为更直观展现突发性因子造成的请求发送速率波动差异，此处均不启用爬升行为 (即不配置
ramp_up_*相关参数)
burstiness = 0参数配置:
request_rate = 100, traffic_cfg = dict( burstiness = 0, ),
Gamma 分布图:
burstiness = 0.5参数配置:
request_rate = 100, traffic_cfg = dict( burstiness = 0.5, ),
Gamma 分布图:
burstiness = 1参数配置:
request_rate = 100, traffic_cfg = dict( burstiness = 1, ),
Gamma 分布图:
burstiness = 10参数配置:
request_rate = 100, traffic_cfg = dict( burstiness = 10, ),
Gamma 分布图:
