响应时间是最重要的性能指标之一，因此在性能监控、结果统计过程中，我们对响应时间也格外关照。

通常情况下，我们统计平均响应时间，偶尔也会统计响应时间中位数，甚至有时候要特殊处理，比如去掉异常大的值之后取平均值。

在一场性能数据抓取之后，数以百万计的数值是怎么样的分布？我们可以采用统计软件进行全景展示。R语言是如今最流行的统计软件，今天我们来看看R语言能干些什么。

首先，最小值、最大值、平均值、中位数就不用说了，95%的数据分布在哪里，90%的数据分布在哪里，50%的数据分布在哪里，等等，这些都是基本的数据。
接下来，咱们再看看R能给出什么样的图表

以一个系统为例，负责收到请求、处理并返回。这个系统有业务处理日志，包含了业务的大小、业务发起时间、开始处理时间、处理完成时间。R语言对这些海量的数据进行统计。

请求的大小分布图

纵坐标为Message样本大小，单位KB，横坐标为样本索引。Message样本大小基本在15KB以内

当然，也可以看看请求大小和响应时间之间的关系
请求大小和响应时间之间的关系

呃，似乎本系统的响应时间和请求的报文大小关系不大。这里选取的是另一个场景的数据，仅做示例

用户发送请求的时间与本系统处理完成后返回的时间间隔

纵坐标为间隔时间，单位毫秒，横坐标为样本索引（10000指的是第10000个请求）。样本中基本发送和收到间隔2秒以内

本系统的处理时间

纵坐标为处理时间，单位毫秒，横坐标为样本索引。样本基本0.25秒以内
哇，似乎很诡异，响应时间的图形是一条一条的

数据分布重新排列

重新排列后，可以清晰的看出，响应时间的分布非常集中（集中到5个柱子上），并且这几个柱子之间的差距的相同的，10ms。

这是一个非常吃惊的结果。如果我们比较较真的分析的话，可以从应用的处理逻辑、操作系统的调度等方面分析。

• 应用有没有人为设置处理间隔，比如人为的sleep 10毫秒？

• CPU的调度间隔默认也是10毫秒，如果一个请求本来需要25毫秒处理完

  • 如果连续分配3个时间片，那么处理时间就是25毫秒
  • 如果中间被强占了一个时间片，4个时间片才完成（中途有一个时间片是别的进程在跑），那么处理时间就是35ms。
  • 如果中间被强占了2个时间片，5个时间片才完成（中途有2个时间片是别的进程在跑），那么处理时间就是45ms。

欢迎大家与我留言，也可以关注个人微信公众号：性能测试与调优