4. 情景分析基础：什么是情景分析？乐观、悲观、最可能情景的定义与建模

情景分析（Scenario Analysis）是一种前瞻性的风险评估与决策技术。在压力测试领域，它通过构建一组合理但极端的未来状态，来评估系统在特定条件下的行为表现。与随机模拟不同，情景分析强调“如果……那么……”的逻辑链条，帮助团队提前识别瓶颈、容量缺口和失效模式。

4.1 情景分析的核心三要素

4.2 三种经典情景的定义

在工程实践中，通常将情景划分为三个层级，形成完整的压力测试覆盖矩阵：

• 乐观情景（Optimistic Scenario）：假设所有驱动因子均处于最有利状态。系统负载低于预期，资源充裕，外部依赖响应迅速。此情景用于验证系统在“顺风局”下的资源效率与成本控制。
• 悲观情景（Pessimistic Scenario）：假设驱动因子同时恶化至极端边界。流量激增、数据库慢查询、缓存失效、第三方超时等并发发生。此情景用于暴露系统的脆弱点与降级策略的有效性。
• 最可能情景（Most Likely Scenario）：基于历史数据和业务趋势，设定最接近真实运营状态的参数组合。此情景是容量规划的基准线，也是 A/B 测试中对照组的参考依据。

4.3 情景建模流程

1. 识别关键驱动因子：通过历史监控、业务预测、架构评审，确定影响系统性能的核心变量。
2. 设定参数边界：为每个驱动因子定义乐观值、悲观值、最可能值。建议采用“三点估算法”结合专家判断。
3. 组合成完整情景：将各因子的取值按逻辑一致性组合，避免出现“高并发 + 低数据量”等矛盾设定。
4. 转化为压测脚本：将情景参数映射为 JMeter/Gatling/k6 脚本中的线程数、循环次数、思考时间、数据规模等配置。
5. 执行与记录：按情景顺序执行压力测试，记录每个情景下的系统指标快照。

4.4 情景参数建模示例

以下是一个电商搜索服务的典型情景参数表：

对应的压测脚本片段（k6 示例）：

// 最可能情景配置
const MOST_LIKELY = {
  vus: 2000,
  duration: '10m',
  thresholds: {
    http_req_duration: ['p(99)<2000'],
    http_req_failed: ['rate<0.01'],
  },
  env: {
    CACHE_HIT_RATIO: '0.85',
    EXTERNAL_DELAY_MS: '80',
  },
};

// 悲观情景配置
const PESSIMISTIC = {
  vus: 8000,
  duration: '5m',
  thresholds: {
    http_req_duration: ['p(99)<5000'],
    http_req_failed: ['rate<0.05'],
  },
  env: {
    CACHE_HIT_RATIO: '0.60',
    EXTERNAL_DELAY_MS: '500',
  },
};

4.5 情景分析在 A/B 测试中的角色

在 A/B 测试驱动的压力测试中，情景分析提供两个关键输入：

• 对照组基线：最可能情景作为 A/B 测试的对照组，确保两个版本在相同负载条件下比较。
• 边界条件验证：乐观与悲观情景用于检验优化方案在极端条件下的鲁棒性。如果一个版本在悲观情景下崩溃，即使最可能情景表现优异，也不应上线。

4.6 情景关系与决策路径

下图展示了三种情景在压力测试决策中的逻辑关系：

4.7 情景建模的常见陷阱