智慧型自動化壓力測試系統：融合物理特性建模預測與 AI 視覺化分析
本專案開發了一套基於 Golang 的分佈式自動化壓力測試系統，用來改善傳統測試工具在「系統瓦數控制」與「長時間測試資料判讀」上的限制。
不同於只執行固定腳本的測試工具，本系統加入物理特性建模：針對 CPU（線性增長）與 Memory/Ethernet（反指數飽和）等元件建立數學模型，用來推估接近目標瓦數的壓力組合。在資料分析方面，系統以 Grafana 四維熱力圖整合溫度、轉速、瓦數與時間頻率，並串接 AI 視覺模型輔助圖表判讀，讓長時間驗證結果更容易回顧與比較。
本專案核心技術包含兩個部分：
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，推估系統瓦數與壓力組合。
AI 驅動的四維視覺化： 設計整合溫度、轉速、瓦數與時間頻率的 Grafana 四維熱力圖，並串接視覺 AI 模型輔助圖表解讀，協助辨識潛在散熱風險與效能瓶頸。
🛠️ 技術深度剖析 (Technical Case Study)
1. 系統架構與基礎設施 (Infrastructure)
為了滿足多台設備與長時間測試需求，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。
2. 核心技術：基於物理特性的壓力預測模型 (Physical Characteristic Modeling)
這是本系統的主要控制邏輯。為了讓系統接近特定的熱設計功耗 (TDP) 邊界，我減少傳統「試誤法」的腳本調整，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。
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 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
資料視覺化圖表
