本專案開發了一套基於 Golang 的分佈式自動化壓力測試系統，旨在解決傳統測試工具「難以精準控制系統瓦數」與「海量數據難以判讀」的兩大痛點。

不同於傳統工具僅能被動執行腳本，本系統引入了物理特性建模技術，針對 CPU（線性增長）與 Memory/Ethernet（反指數飽和）等元件建立專屬數學模型，進而能逆向推導並精準鎖定目標壓力環境。在數據分析方面，本系統創新設計了整合溫度、轉速、瓦數與時間頻率的 Grafana 四維熱力圖，並串接 AI 視覺模型 進行自動化圖表解讀。此方案成功將系統驗證流程由人工操作轉型為數據驅動（Data-Driven）的智慧化決策模式，大幅提升了測試的覆蓋率與風險識別效率。

本專案核心技術包含兩大突破：

  1. 物理特性預測建模： 針對 CPU（線性增長）與 Memory/Ethernet（反指數飽和）等元件的異質功耗特性，建立可解釋的數學模型。透過線性擬合與演算法逆向推導，實現對系統瓦數與壓力的精準控制。

  2. AI 驅動的四維視覺化： 創新設計了整合溫度、轉速、瓦數與時間頻率的 Grafana 四維熱力圖，並串接視覺 AI 模型進行自動化圖表解讀，即時識別潛在的散熱風險與效能瓶頸。 此系統成功將硬體驗證流程由被動執行轉型為主動的數據驅動（Data-Driven）決策模式。

🛠️ 技術深度剖析 (Technical Case Study)

1. 系統架構與基礎設施 (Infrastructure)

為了滿足大規模測試需求，本系統採用分佈式架構設計：

  • Agent 端 (Golang CLI): 部署於待測機器 (SUT)，負責執行底層測試指令。具備本地 Log 緩衝機制，即使網路中斷也能確保數據完整性。
  • Controller 端: 提供一對多遠端操作介面與預約排程功能，實現無人值守測試。
  • 監控與分析端: 整合 Grafana 進行即時監控，並將數據流導向後端 AI 分析模組。

Infrastructure

[圖片佔位符：建議放入系統架構圖 (System Diagram)，展示 Agent, Controller 與 AI Service 的資料流向]

2. 核心技術：基於物理特性的壓力預測模型 (Physical Characteristic Modeling)

這是本系統最核心的智慧引擎。為了精準控制系統達到特定的熱設計功耗 (TDP) 邊界，我屏棄了傳統「試誤法」的腳本調整方式，改採數學建模方法。

2.1 物理特性的發現

透過設計「前測試 (Pre-test)」流程，自動掃描各元件從輕載到滿載的反應，我發現不同元件的功耗變化曲線存在顯著的物理差異：

  • CPU (線性增長): 隨著負載增加，瓦數幾乎呈現完美的線性上升 ($y = ax + b$)。
  • Memory & Ethernet (反指數飽和): 這些元件在初期負載增加時瓦數上升極快，但隨後會趨緩並接近飽和點，呈現類似反指數 (Inverse Exponential) 的曲線特性。

2.2 數學建模與精準施壓

基於上述發現，我手動推導出可解釋的數學公式模型。當使用者輸入「目標總瓦數」時，系統會透過演算法計算，考慮各元件的權重與飽和特性，逆向求解出最佳的 CPU、GPU、MEM 與 IO 腳本組合強度。

![Physical model](/postImg/smartfan/Physical model.jpeg)

3. 核心技術：四維數據視覺化與 AI 點評 (4D Visualization & AI Analysis)

解決了「控制」問題後，下一個挑戰是如何「解讀」長時間測試產生的複雜數據。

3.1 創新的 4D Grafana 熱力圖

為了在二維平面上呈現多變數的系統狀態，我客製化設計了 Grafana 面板，將四個維度的關鍵資訊融合於一張圖表中：

  • X 軸: 溫度 (Temperature)
  • Y 軸: 風扇轉速 (Fan Speed)
  • 顏色 (Color): 系統瓦數 (Power Consumption) - 透過顏色深淺直觀呈現負載高低
  • 點的大小 (Size): 累積停留時間/頻率 (Cumulative Duration)

最終測試結果圖

4D 熱力圖 4D_graph

資料視覺化圖表 chart