又是周末，愿大家开心。今天不写复杂文章，来聊点简单有趣的，探讨下QPS(Query Per Second)和并发数的关系。
就我的个人经验而言，很多人在工作中对这两个概念一知半解，也有很多人在面试时回答得模棱两可，不太应该哦。
多年前，在面试阿里巴巴时，遇到了一个开放性问题：
假设超市每分钟有10个人走出来，请估算超市里面有多少人？
是不是感觉手足无措呢？嗯，可能如此。其实，这个问题没有标准答案，关键还是考查思路。
我们先看一个有趣的定律，即Little's Law，如下：
在一个稳定的系统中，设长时间观察到的平均顾客数量为L，长时间观察到的有效到达速率为λ，平均每个顾客在系统中花费的时间是W，则有如下关系式：
L = λW
Little's Law的理解
假设有一水管，横截面积为2平方米，水速为5米/秒，即水的流量速度是10立方米/秒，很显然：
在长度100米的水管内，水量为200立方米，每滴水从流入到流出，耗时20秒，而水的流量速度是10立方米/秒。
也就是说，在这段水管中：
水量= 耗时 * 流量速度
这就是Little's Law. 虽然很早就意识到了这一关系式，但毕业后才第一次听说Little's Law.
Little's Law的应用
Little's Law模型很通用，因此，在很多场景中都能得到应用，比如工业界和计算机界，都会有意或无意用到该定律。
先看一个最好懂的例子：大一新生的招收速度是5000人/年，每个学生在大学停留4年，因此，整个大学的人数就是20000.
接下来，看看腾讯公司的一道笔试题目，简单但难倒不少人：
某互联网产品（例如，一款网络游戏）同时在线曲线（Average Concurrency Users，ACU）24小时数据如下图所示。
现已知全天平均在线人数为5000人，玩家每次登陆后平均在线时长为2小时。请你估计一下，平均每分钟约有多少玩家登录。
这个题目中的图是多余的，有误导性。很显然，根据Little's Law，答案是42.
QPS和并发数的关系
在后台开发中，经常要涉及到QPS和并发数的概念。在很多场景下都需要进行压力测试，所以，有必要弄清它们之间的关系。
QPS和并发数的概念容易混淆，比如：1秒内并发地来了100个请求，这个100是QPS还是并发数？ 来看看它们的含义：
QPS: 请求进入的速度
并发数: 系统中同时存在的请求数
根据Little's Law，我们能得到如下的关系式：
并发数 = QPS * 耗时
以大学招生为例：大一新生的招收速度是5000人/年，每个学生在大学停留4年，整个大学的人数是20000，于是(下面的QPS改为以年为单位)：
| QPS | 耗时 | 并发数 |
| 5000人/年 | 4年 | 20000人 |
以某公司为例：180000员工，必须早上8:30-9:00之间在考勤系统签到，每次签到在系统需要停留0.1秒，于是：
| QPS | 耗时 | 并发数 |
| 100人/秒 | 0.1秒 | 10人 |
以动物园为例：每秒有1个人进入动物园，每个人在动物园中停留2小时，于是：
| QPS | 耗时 | 并发数 |
| 1人/秒 | 2*3600秒 | 7200人 |
假设在理想情况下，某系统的请求进入速度是1亿次/秒，系统处理的时间趋近为0，那么这个系统的并发量是多少呢？很显然：
| QPS | 耗时 | 并发数 |
| 1亿次/秒 | 趋近0 | 趋近0次 |
可见，虽然每秒有1亿次请求，但在某一随机时刻观察系统，会发现系统中不存在请求堆积的问题，系统的并发数趋近0.这是一个高QPS、低延时系统，是一个很好的系统，轻轻松松地快速处理各种请求，来一个灭一个。值得一提的是，此时并发数很低，但这不表明系统实际能够承受的并发数很低，它实际上可能承受很高的并发数
最近，我对某系统进行了压测，得到的数据如下(数据已经脱敏)，满足Little's Law：并发数 = QPS * avg
到此为止，应该清楚了QPS和并发数的关系，以后在开发或压测时，再也不会懵圈了。