在美国服务器部署API,如何通过压测确定并发承载边界?
美国服务器上的 API 能承载多少并发,不能只看服务器配置中的 CPU 核数或内存容量。真正需要确定的是:在指定请求类型、指定流量区域和指定依赖条件下,系统能够持续处理多少请求,同时让 p95、p99 延迟、错误率和资源利用率都处于可接受范围内。这个范围才是可用于发布和扩容决策的并发承载边界。
压测结果通常应同时给出两个数字:一个是“测试上限”,即在验收条件下通过的最大吞吐;另一个是“生产运行上限”,即为流量波动、突发请求和版本变化预留余量后的运行值。例如,某 API 在美国节点以 180 RPS 运行 10 分钟时满足 p95 不超过 300 ms、p99 不超过 800 ms、错误率低于 0.5%,那么 180 RPS 可以作为短时验证边界,但日常运行值可能只取 135~145 RPS,而不是直接把 180 RPS 当成长期目标。
一、先把“承载边界”定义成验收条件
压测前首先要回答的不是“开多少并发”,而是“什么结果才算能承载”。没有明确的验收条件,测试很容易变成单纯追求更高的 QPS,最后得到一个无法用于生产的数字。
1. 区分并发、吞吐和连接数
API 性能测试中至少有三个容易混淆的概念:
- 吞吐量:单位时间内完成的请求数,通常使用 RPS 或 QPS 表示。
- 请求并发数:同一时刻处于处理中的请求数量。
- 连接并发数:客户端与服务器之间处于建立状态的 TCP 或 TLS 连接数量。
三者并不等价。启用 HTTP Keep-Alive 时,一条连接可以连续承载多个请求;一个请求处理较慢时,只需要较少连接也可能形成较高的请求并发;反过来,大量空闲长连接也不一定会产生高吞吐。
在系统处于稳定状态时,可以使用下面的关系进行粗略估算:
平均请求并发数 ≈ 吞吐量 × 平均响应时间(秒)
例如,API 稳定处理 180 RPS,平均响应时间为 180 ms,则平均请求并发数约为:
180 × 0.18 = 32.4
这不表示服务器只能承载 32 个并发客户端,也不表示压测工具必须设置 32 个虚拟用户。它只是用来解释吞吐、响应时间和请求队列之间的关系。响应时间上升时,即使吞吐量没有变化,请求并发数也会增加。
2. 为不同接口设置不同的性能目标
健康检查接口、只读查询接口、复杂报表接口和写入接口的资源消耗通常不同,不能用同一个延迟标准笼统验收。可以按业务重要性建立类似下面的目标:
| 指标 | 示例验收条件 | 说明 |
|---|---|---|
| 成功请求吞吐 | 达到目标 RPS 且持续 10~15 分钟 | 统计完成的有效请求,不只看压测工具发出的请求 |
| p50 延迟 | 不超过 100~150 ms | 反映大多数请求的基础处理效率 |
| p95 延迟 | 不超过 300 ms | 适合作为主要交互接口的核心判断值 |
| p99 延迟 | 不超过 800 ms | 用于观察长尾请求和排队现象 |
| 业务错误率 | 低于 0.5%,关键写操作可设置更低 | 5xx、超时和业务失败应分别统计 |
| CPU 利用率 | 长时间运行建议低于 70%~75% | 不是绝对限制,需要结合延迟和队列判断 |
| 内存 | 无持续增长、无明显频繁回收 | 关注泄漏、缓存膨胀和运行时垃圾回收 |
| I/O 等待 | 无持续上升,通常控制在较低水平 | 高 I/O 等待可能说明磁盘、日志或数据库成为瓶颈 |
| 资源恢复 | 降载后队列、连接池和延迟回到基线 | 无法恢复通常不属于可持续容量 |
这些数值是便于说明方法的参考条件,实际阈值应按照接口类型和业务容忍度确定。对于支付、订单、库存等写操作,错误率、重复提交和数据一致性往往比单纯的平均延迟更重要。
3. 统计有效吞吐,而不是只看发压速率
压测工具可能按照 200 RPS 发起请求,但如果其中一部分超时、被连接池阻塞或返回 5xx,服务器并没有真正完成 200 个有效业务请求。因此结果至少应同时记录:
- Offered RPS:压测端计划发送的速率;
- Completed RPS:服务器完成响应的速率;
- Successful RPS:返回符合业务预期的速率;
- Error RPS:5xx、超时、连接失败和业务失败的速率。
当 Offered RPS 继续增加,而 Completed RPS 停止增长、响应时间快速上升时,通常说明系统进入排队或饱和状态。此时继续提高压测并发,只会放大延迟和错误,不会得到更有价值的容量数据。
二、美国服务器压测需要固定哪些环境变量
美国服务器的测试结果会受到访问区域、网络路径和部署拓扑影响。同一套 API 部署在美国东部和美国西部,即使应用代码相同,来自欧洲、亚洲或北美不同地区的网络往返时间也可能不同。因此,压测报告应写明“从哪里发压”,不能只记录服务器所在国家。
1. 分离应用处理时间和网络时间
建议至少安排两类测试:
- 近端测试:将压测机放在与美国服务器相近的区域,用于观察应用、数据库和本机资源的真实处理能力。
- 远端测试:从实际用户主要分布区域发压,用于评估 DNS、跨区域链路、TLS 握手、网络抖动和端到端体验。
近端测试适合回答“服务器和应用能处理多少请求”,远端测试适合回答“用户实际访问时的 p95 和 p99 是多少”。如果只从亚洲某台机器测试美国服务器,网络延迟和跨境链路抖动可能遮盖应用本身的问题;如果只在美国同区域测试,又可能低估真实用户的端到端延迟。

测试时还要记录以下条件:
- 服务器所在区域和可用区;
- 压测机所在区域;
- 是否经过 CDN、WAF、负载均衡和 Nginx;
- 是否复用 TCP/TLS 连接;
- IPv4 或 IPv6 访问路径;
- DNS 解析结果和 DNS 缓存状态;
- 请求和响应的平均大小;
- 是否启用压缩;
- 是否使用缓存;
- 数据库、缓存服务和第三方 API 所在区域。
如果生产流量经过 Nginx 或负载均衡,正式验收应包含完整链路;如果目标是分析应用进程本身,则可以先绕过边缘层进行近端测试,再单独测试完整链路。两类结果不能混成一个“服务器性能”数字。
2. 固定接口和数据条件
压测接口必须尽可能接近真实流量,而不是只压一个返回固定字符串的健康检查接口。至少应固定:
- 请求方法、路径和参数;
- 认证方式及认证开销;
- 请求体和响应体大小;
- 读写接口比例;
- 热数据与冷数据比例;
- 数据库记录规模;
- 缓存命中率;
- 分页大小;
- 第三方依赖的响应时间;
- 是否允许重复写入。
例如,查询接口在缓存命中时可能只消耗少量 CPU,而缓存未命中时会访问数据库并执行排序。如果压测全部使用同一个 ID,缓存命中率异常偏高,得出的容量就不能代表普通请求。
写接口还要避免对生产数据造成污染。可以使用隔离数据库、测试租户或可回收的测试数据。若必须连接外部服务,应确认对方是否有频率限制;否则外部服务返回的 429 或超时可能被误判为美国服务器自身的容量不足。
3. 确认压测机不会先达到瓶颈
压测机 CPU、网络带宽、文件描述符、端口和自身连接池都可能先于目标服务器饱和。出现以下情况时,不能直接把结果归因于 API:
- 压测机 CPU 长时间超过 80%;
- 压测机网络发送或接收接近网卡上限;
- 压测工具提示无法创建新的虚拟用户;
- 压测端出现本地连接超时;
- 目标服务器资源仍然很低,但压测端延迟已经快速升高。
需要时可以使用多台压测机分摊流量,并确认所有压测机的系统时间、脚本版本和请求参数一致。
三、指标之间如何建立关联
单个指标通常不能直接说明瓶颈。性能分析应把延迟、吞吐、并发和资源利用率放在同一条时间线上观察。
1. 延迟:优先看分位数,不要只看平均值
平均响应时间很容易掩盖长尾。例如 99% 的请求在 100 ms 内完成,但 1% 的请求需要 10 秒,平均值可能仍然看起来可以接受。对于 API,至少需要查看 p50、p95 和 p99。
- p50:代表中位数,适合判断基础处理速度;
- p95:反映大多数用户能感受到的上界;
- p99:用于发现连接池等待、慢查询、锁竞争和外部依赖抖动;
- 最大值:容易受单次异常影响,不适合单独作为容量边界,但可用于排查极端情况。
如果吞吐量增加后 p50 基本不变,而 p99 急剧升高,通常说明部分请求开始排队,系统还没有完全失去处理能力,但已经接近饱和。此时继续加压可能很快出现大量超时。
2. 吞吐:观察是否出现平台期
在低负载阶段,吞吐量通常会随着发压速率近似增长。当 CPU、数据库连接池、磁盘或外部服务达到限制后,可能出现:
- 发压从 100 RPS 提高到 150 RPS,完成吞吐同步增加;
- 发压继续提高到 200 RPS,但完成吞吐只增加到 160 RPS;
- p95、p99 延迟和错误率快速上升。
这种“吞吐平台期”通常比 CPU 百分比更能说明实际容量。服务器 CPU 只有 60%,并不代表还有 40% 的 API 容量,因为瓶颈可能在数据库连接池、锁、磁盘 I/O、上游服务或单线程事件循环。
3. CPU、内存和 I/O:寻找延迟上升的原因
建议同时观察应用进程和整台美国服务器的资源:
| 资源指标 | 典型现象 | 可能含义 |
|---|---|---|
| 用户态 CPU 持续升高 | 延迟随 RPS 同步上升 | JSON 序列化、加密、计算或业务代码消耗较多 |
| 系统态 CPU 升高 | 网络、系统调用或内核处理增加 | 连接创建、网络包处理或系统资源压力上升 |
| CPU 不高但 p99 很高 | 延迟长尾明显 | 数据库等待、锁、连接池或外部服务阻塞 |
| 内存持续增长 | 长时间压测后延迟恶化 | 内存泄漏、缓存无界增长或请求对象未释放 |
| Swap 使用增加 | 延迟突然抖动 | 内存不足,系统开始换页 |
| I/O 等待升高 | CPU 仍有余量但请求变慢 | 磁盘、日志、数据库文件或存储系统受限 |
| 网络接近上限 | 大响应接口延迟上升 | 网卡带宽、出口带宽或负载均衡链路受限 |
| 数据库连接池等待增加 | 应用线程处于等待状态 | 数据库连接数、慢查询或数据库自身容量不足 |
内存“使用率高”不一定就是问题。操作系统会利用空闲内存作为文件缓存,关键是观察内存是否持续增长、是否发生 Swap、运行时回收是否频繁,以及降载后是否恢复。
4. 连接池和队列是常见的隐性瓶颈
API 进程可能拥有足够 CPU,但数据库连接池只有 20 个连接。当并发请求超过数据库处理能力时,请求会在应用连接池中等待,表现为:
- CPU 利用率中等;
- 平均响应时间逐渐变长;
- p99 明显高于 p95;
- 数据库连接池等待时间增加;
- 降低 RPS 后延迟需要一段时间才能恢复。
因此,监控项不能只包括服务器 CPU 和内存,还应包括:
- 应用工作线程或事件循环延迟;
- HTTP 客户端连接池;
- 数据库连接池使用量和等待时间;
- Redis 或其他缓存连接数;
- Nginx upstream 活跃连接和排队请求;
- 请求队列长度;
- 外部 API 响应时间和错误率;
- GC 次数、暂停时间和堆内存变化。
四、设计一套能得到容量边界的测试
1. 使用真实的请求组合
如果生产流量由多个接口组成,不能只测试单一接口后再简单相加。可先按业务比例建立请求组合,例如:
- 查询接口占 60%;
- 列表接口占 20%;
- 写入接口占 15%;
- 鉴权或配置接口占 5%。
不同接口的资源消耗不同。一个写入请求可能包含事务、索引更新和消息投递,不能与一个简单查询请求按照同样的 RPS 估算。正式测试应使用混合流量;单接口测试则用于定位某个接口的独立瓶颈。
2. 采用逐级加压,而不是直接拉到极限
推荐使用以下测试阶段:
| 阶段 | 目的 | 参考做法 |
|---|---|---|
| 基线测试 | 确认接口在低负载下的正常延迟 | 1~5 RPS,持续 5 分钟 |
| 阶梯测试 | 找到延迟和资源开始变化的位置 | 每级增加 20~30 RPS,每级持续 5~10 分钟 |
| 压力测试 | 找到 SLO、错误率或资源约束的突破点 | 逐步增加速率,直到出现明确边界 |
| 稳态测试 | 验证候选容量能否长期运行 | 以候选值运行 30~60 分钟 |
| 突发测试 | 观察短时流量峰值下的排队和恢复 | 在基线或稳态上短时提升至 1.5~2 倍 |
| 降载观察 | 判断队列和资源是否能够恢复 | 停止加压后继续观察 5~15 分钟 |
每个阶梯最好保持足够时间,让连接池、缓存、JIT、GC 和数据库缓冲逐渐进入稳定状态。只运行几十秒,可能只测到启动阶段或缓存尚未建立的状态。
3. 用到达速率模型测试 RPS
如果目标是确定 API 的 RPS 边界,压测工具应尽量采用“到达速率”模型,即每秒产生固定数量的请求,而不是只设置虚拟用户数量。以 k6 为例,下面是一个单接口的示例脚本:
import http from 'k6/http';
import { check } from 'k6';
export const options = {
scenarios: {
api_ramp: {
executor: 'ramping-arrival-rate',
startRate: 20,
timeUnit: '1s',
preAllocatedVUs: 50,
maxVUs: 500,
stages: [
{ target: 50, duration: '5m' },
{ target: 100, duration: '5m' },
{ target: 150, duration: '5m' },
{ target: 180, duration: '10m' },
{ target: 220, duration: '5m' }
],
gracefulStop: '30s'
}
},
thresholds: {
http_req_failed: ['rate<0.005'],
http_req_duration: ['p(95)<300', 'p(99)<800'],
checks: ['rate>0.995']
}
};
export default function () {
const response = http.get(__ENV.TARGET_URL, {
tags: {
endpoint: 'api_read'
}
});
check(response, {
'status is 200': (r) => r.status === 200,
'response is not empty': (r) => r.body && r.body.length > 0
});
}
运行时将测试地址作为环境变量传入:
TARGET_URL='https://api.example.com/v1/summary' k6 run api-load.js
这是一个用于说明方法的单接口示例。生产测试需要根据接口实际情况补充认证头、请求体、测试数据和业务校验。写接口不能简单重复固定请求,否则可能产生重复订单或重复数据;应使用隔离数据、唯一请求编号和可验证的幂等逻辑。
虚拟用户数并不等于服务器并发请求数。到达速率模型会根据响应时间动态消耗虚拟用户,如果响应变慢,压测工具可能需要更多 VU 才能维持目标 RPS。因此,必须同时检查压测端是否出现 VU 不足或本地资源饱和。
4. 监控数据必须和压测时间对齐
压测工具的结果只能说明客户端看到的延迟和错误,服务器侧还需要采集同一时间段的监控。可以使用系统监控、应用指标、Nginx 日志和数据库监控进行对照。
Linux 服务器上可使用只读命令观察基础状态:
vmstat 1
iostat -xz 1
ss -s
如果系统没有 iostat,应先确认是否已安装对应的系统监控工具;不要因为命令缺失就凭经验推断磁盘状态。生产环境不要为了压测临时修改内核参数、连接数或防火墙规则,否则测试结果会混入配置变化因素。
五、如何从测试数据判断边界
下面是一组用于说明分析方法的模拟结果。目标条件为:p95 不超过 300 ms、p99 不超过 800 ms、错误率低于 0.5%,并且稳态期间没有明显的资源持续增长。
| 目标速率 | p95 | p99 | 错误率 | 应用 CPU | I/O 等待 | 活跃请求并发 |
|---|---|---|---|---|---|---|
| 50 RPS | 145 ms | 260 ms | 0.05% | 36% | 1.5% | 8 |
| 100 RPS | 185 ms | 390 ms | 0.08% | 48% | 2.0% | 18 |
| 150 RPS | 245 ms | 610 ms | 0.20% | 62% | 3.5% | 30 |
| 180 RPS | 295 ms | 760 ms | 0.40% | 68% | 4.5% | 42 |
| 200 RPS | 460 ms | 1450 ms | 2.10% | 86% | 12.0% | 96 |
从这组数据看,180 RPS 是满足设定 SLO 的最高测试档位,但已经接近 p95、p99 和错误率上限。200 RPS 出现明显的长尾延迟、错误率上升和活跃请求堆积,说明系统在这个区间进入了排队或资源争用状态。

因此可以形成三个不同层次的判断:
- 短时验收边界:如果重复测试和稳态测试都通过,180 RPS 可以作为当前版本的测试承载上限。
- 生产运行目标:为了应对流量抖动、缓存变化和偶发慢请求,可以将运行目标设置在 135~145 RPS。
- 扩容触发点:当实际峰值持续接近 135 RPS,或 p95、p99、连接池等待时间持续上升时,应在流量超过测试上限前扩容或优化。
不能因为 CPU 只有 68% 就认为 180 RPS 还可以继续线性增加。p99 已经接近 800 ms,且错误率也接近阈值;如果继续增加并发,长尾请求可能先于 CPU 达到业务不可接受状态。
1. 根据不同现象定位瓶颈
如果 CPU、吞吐和延迟几乎同步增长,且数据库等待较低,重点应检查:
- JSON 编解码;
- 加密和签名;
- 正则、排序和聚合;
- 应用线程数;
- 单线程事件循环;
- 进程数量和负载均衡分配。
如果 CPU 不高,但 p99 快速增长,应重点检查:
- 数据库慢查询;
- 数据库连接池等待;
- 行锁或表锁;
- 缓存未命中;
- 外部 API 延迟;
- Nginx upstream 排队;
- 网络重传和 TLS 建连。
如果内存随压测时间持续增加,短时阶梯测试可能无法暴露问题,应增加 30~60 分钟的稳态测试,并在降载后观察内存是否回落。若每次阶梯测试都留下更多连接或对象,短时间内的吞吐结果不能当作长期容量。
如果错误主要是 429,需要先确认它来自 API 的限流策略、WAF、Nginx 还是上游服务。429 不一定表示服务器资源不足,但它说明当前配置下无法接受更多请求。压测报告应把 429、5xx、连接超时和业务校验失败分开统计。
2. 判断压测机和目标服务器谁先饱和
当压测端报告延迟上升时,应同时查看目标服务器。如果目标服务器 CPU、内存、网络和应用队列都很低,而压测机 CPU 已接近满载,或者压测工具出现 VU 不足,则本次结果无效,需要增加压测机或降低单机负载。
反过来,如果压测机资源正常,但目标服务器的数据库连接池、I/O 等待或应用队列持续增加,则可以把问题归因到目标链路。只有两端时间戳一致、指标都未受到压测工具自身限制时,容量数字才具有比较价值。
六、用计算结果校验并发和带宽估算
1. 通过响应时间估算活跃请求量
假设接口在 180 RPS 下的平均响应时间为 180 ms,那么平均活跃请求量约为:
180 × 0.18 = 32.4 个请求
如果流量突发到 240 RPS,平均响应时间升至 400 ms,则活跃请求量约为:
240 × 0.40 = 96 个请求
这解释了为什么流量只增加三分之一,活跃请求数却可能增加近两倍。排队会进一步提高响应时间,形成“响应变慢—并发增加—资源等待加剧—响应更慢”的循环。

如果业务使用“同时在线用户”作为并发指标,还要加入用户思考时间。例如每个用户发起一次请求后等待 2 秒,不能把在线用户数直接当成 API 请求并发。容量测试应记录每秒请求量和活跃请求数,在线用户数只能作为业务流量模型的输入。
2. 估算美国服务器的网络带宽
带宽估算需要区分字节和比特。下面以十进制单位计算,1 KB 按 1,000 字节处理。
如果某接口平均响应体为 40 KB,目标吞吐为 180 RPS,则仅计算响应方向:
- 每秒传输字节数:180 × 40,000 = 7,200,000 字节/秒;
- 换算为比特:7,200,000 × 8 = 57,600,000 比特/秒;
- 换算为 Mbps:57,600,000 ÷ 1,000,000 = 57.6 Mbps。
这还没有包含请求体、HTTP 头、TLS、TCP/IP 和重传开销。如果请求体平均为 5 KB,则请求方向约为:
180 × 5,000 × 8 ÷ 1,000,000 = 7.2 Mbps
因此,完整链路还应分别核对入站和出站带宽,并为响应大小变化、压缩关闭和突发流量预留余量。若响应体存在大文件或批量数据,不能用平均响应体代替 p95 响应体大小。
3. 用余量计算生产运行值
设通过验收的测试边界为 180 RPS,计划预留 25% 的容量余量,则生产运行目标可以按下面方式计算:
180 ×(1 - 25%)= 135 RPS
如果实际峰值已达到 130~135 RPS,且 p95 或数据库连接池等待开始上升,就不应等到错误率超过阈值后才扩容。余量不是固定比例,流量波动越大、第三方依赖越多、接口延迟越不稳定,所需余量通常越大。
还可以把增长率纳入判断。当前峰值为 100 RPS,生产运行上限为 135 RPS,月增长率按 15% 估算:
- 1 个月:100 × 1.15 = 115 RPS;
- 2 个月:115 × 1.15 = 132.25 RPS;
- 3 个月:132.25 × 1.15 ≈ 152.1 RPS。
按这个增长假设,第二个月末已经接近运行上限,第三个月会超过当前容量。实际规划还应加入活动峰值、接口结构变化和版本发布风险,不能只按平均增长率推算。
七、把结果转成扩容或优化决策
容量边界确定后,下一步不是立即增加 CPU,而是根据瓶颈类型选择处理方式。
| 主要瓶颈 | 优先检查项 | 可能的处理方向 |
|---|---|---|
| CPU 持续接近上限 | 应用热点、序列化、加密、线程数 | 优化代码、增加进程或实例、调整计算任务 |
| 数据库连接池等待 | 慢查询、索引、连接数、锁 | 优化查询和索引,合理调整连接池,必要时拆分读写 |
| I/O 等待升高 | 日志、数据库文件、磁盘吞吐 | 降低同步日志开销,使用更合适的存储,优化数据库写入 |
| 网络带宽不足 | 响应体大小、压缩、出口限制 | 压缩响应、减少字段、分页或调整带宽 |
| 内存持续增长 | 缓存策略、对象生命周期、GC | 设置缓存上限,修复泄漏,调整运行时参数 |
| 外部服务变慢 | 上游 p95、超时和重试 | 设置合理超时,限制重试,使用异步化或降级 |
| 单实例达到瓶颈 | 是否无状态、会话和缓存位置 | 在共享依赖可承受时增加实例并进行负载均衡 |
增加实例并不会自动带来等比例容量提升。如果请求依赖同一个数据库、同一个缓存或同一个外部服务,应用层横向扩展后,瓶颈可能只是转移到共享组件。只有在会话、文件、缓存和任务队列等状态得到妥善处理时,横向扩容结果才适合按实例数量进行估算。
围绕美国API业务的部署与扩容,A5数据提供常规Xeon及AMD EPYC物理服务器,涵盖不同计算、内存和NVMe存储配置,为接口进程、数据库缓存与容器化服务提供资源基础。美国常规系列另有CN2 GIA线路方案,可承接跨境访问的网络需求。从应用计算到数据读写,A5数据的多档资源配置能够对接容量分析后的算力、内存与存储需求,支持业务部署方案的调整。
八、哪些变化发生后必须复测
一次压测结果只对相应的环境、版本和流量模型负责。以下变化发生后,应重新执行至少一轮基线和阶梯测试:
- 美国服务器规格、区域或可用区变化;
- 操作系统、运行时、Web 服务器或应用版本变化;
- 数据库版本、索引、连接池或数据量变化;
- 缓存策略和命中率变化;
- 请求体、响应体或接口混合比例变化;
- CDN、WAF、负载均衡或 TLS 配置变化;
- 外部 API 的区域、配额或响应时间变化;
- 压测机位置和网络路径变化;
- 流量峰值、增长率或业务活动模型变化。
缓存还应分别测试冷缓存和热缓存。热缓存结果适合表示稳定运行状态,冷缓存结果更能暴露数据库、磁盘和首次加载的压力。两者都通过,容量结论才更接近实际运行范围。
最后,可以使用下面的判断方法固定验收口径:先记录实际流量模型,再用近端和远端两类位置测试;以 p95、p99、错误率和完成吞吐作为主条件;用 CPU、内存、I/O、网络、连接池和外部依赖指标解释原因;选择满足 SLO 的最高稳定档位作为测试边界,再根据流量波动和增长速度扣除运行余量。任何一次版本、配置、数据规模或地域链路发生变化,都应重新验证这个边界,而不是继续沿用旧的并发数字。
本文由A5数据原创发布,转载请注明出处:https://www.a5idc.com/helpcontent/3505.html

