2. 样本构建基础：样本概念、样本类型与质量影响

在压力测试中，样本（Sample）是构成测试负载的最小数据单元。样本的质量直接决定了测试结果的可信度与可复现性。本章从样本的本质概念出发，系统梳理请求样本与数据样本的差异，并量化分析样本质量对测试结果的传导影响。

2.1 样本的核心概念

样本是压力测试引擎向目标系统发送的、具有完整上下文的一次交互记录。一个标准样本包含三个要素：

• 请求描述：协议类型、URL、请求头、请求体等网络层信息。
• 数据载荷：业务参数、用户标识、时间戳等应用层数据。
• 预期断言：响应状态码、响应体关键字、响应时间阈值等验证规则。

2.2 样本类型：请求样本 vs 数据样本

根据样本在测试流程中的角色，可将其分为两大类：

实际测试中，请求样本与数据样本通常组合使用。一个完整的测试样本可以表示为：

// 样本 = 请求模板 + 数据上下文
Sample = RequestTemplate + DataContext

// 示例：登录场景样本
RequestTemplate: POST /api/login HTTP/1.1
                  Host: app.example.com
                  Content-Type: application/json

DataContext: {
  "username": "${user_name}",   // 从数据池动态注入
  "password": "${user_pwd}",
  "device_id": "${device_uuid}"
}

2.3 样本质量对测试结果的影响

样本质量是压力测试的“输入噪声”。低质量样本会从以下三个层面污染测试结果：

1. 失真效应：样本与真实用户行为偏差过大，导致测试结论无法反映生产表现。
2. 方差膨胀：样本内数据分布不均匀，使响应时间、错误率等指标波动剧烈，难以收敛。
3. 归因混淆：样本缺陷（如参数缺失、关联断裂）引发非预期错误，干扰瓶颈定位。

2.4 样本质量维度与度量

我们定义样本质量的四个核心维度，并给出可操作的度量指标：

2.5 样本质量影响传导链路

下图展示了样本质量如何通过测试执行链路，最终影响决策结论：

从传导链路可以看出：样本质量在“测试执行”阶段被放大为指标噪声，进而污染“结果分析”的准确性，最终导致“决策结论”偏离真实系统能力。反馈回路（虚线）表明，只有通过持续校准样本质量，才能收敛测试结论。

2.6 样本质量自检清单

在构建样本集时，建议逐项检查以下要点：

• ☐ 路径覆盖：是否覆盖了核心业务路径、异常路径、边界路径？
• ☐ 数据分布：参数值分布是否与生产环境的长尾/幂律分布一致？
• ☐ 关联完整性：跨样本的关联字段（如 sessionId → userId → orderId）是否断裂？
• ☐ 动态注入：是否使用参数化而非硬编码？动态值是否在每次迭代中唯一？
• ☐ 可复现性：相同样本集在相同环境下多次执行，结果是否稳定？
• ☐ 边界验证：是否包含空值、超长值、特殊字符等边界样本？