Abstract:
В основах багатьох сучасних ком’ютерних систем лежать інтерфейси прикладного програмування, або API (Application Programming Interface). Інтерфейси прикладного програмування слугують мостом між різними елементами комп’ютерних систем, дозволяючи їм спілкуватися, взаємодіяти між собою та безперешкодно обмінюватися даними. Фактично API – набір протоколів, інструментів і визначень, які дозволяють різним програмам інтегруватись між собою, а також надають розробникам можливість отримати доступ до певних програмних функцій або наборів даних.Важливим завданням в процесі розробки API є забезпечення їх коректної роботи в умовах високих наванта-жень. API можуть мати сотні, тисячі і навіть мільйони користувачів, для яких важливе забезпечення стійкості, масштабованості і надійності цих програмних засобів. Система, не є надійним чином протестована в умовах високих навантажень, може зазнати краху у випадку, якщо велика кількість користувачів захоче водночас використати один і той самий метод API, або отримати схожі дані. Така система також буде менш стійкою від DDoS-атак – видів хакерських атак, що “засмічують” комп’ютерну систему великою кількістю запитів, фактично блокуючи доступ до неї для реальних користувачів.У цій статті представляється дослідження та розробка системи тестування, створеної для оцінки продуктив-ності API. В основі системи лежить Locust, інструмент для тестування продуктивності програм з відкритим про-грамним кодом. Цей інструмент призначений для моделювання та аналізу поведінки різноманітних додатків при наван-таженні великою кількістю користувачів. Розроблена система тестування продуктивності використовує можливості Locust для того, щоб ретельно вивчити стійкість API-системи у реальному сценарії. Вона детально тестує локальну версію API, навантажуючи її так званим “роєм” віртуальних користувачів. Після цього Locust збирає дані про продук-тивність API – кількість успішних та помилкових запитів; мінімальний, максимальний та середній час обробки запиту; а також детальний звіт, який може бути використаний для подальшого аналізу результатів. Отримані в результаті такого дослідження дані сприяють розумінню і, в подальшому, покращенню якості роботи API, пропонуючи цінні реко-мендації щодо оптимізації продуктивності програми та виявлення “вузьких місць” (bottlenecks) у програмному коді
