1、首先，需要make sure我们的性能测试的target是合适的。用户如何使用我们的系统，也是用户的使用模型。确定我们的性能测试确实是cover了大多数用户的使用模型。这是性能瓶颈分析的前提，以免浪费时间和精力。

　　2、得出一个task性能数据，接下来需要做task分解。一个task在CPU或者多个主机上执行，无非是串行task和并行task。对于串行执行的任务好说，每个sub task的执行时间是多少，多者既瓶颈所在，需要对它优化。并行也好说，总体的性能既是所有并行的sub task中耗时长的那一个，它既是瓶颈，需要对它优化才能提高整体性能。

　　如果一个task既串行，有并行，相互交织，相互混杂。那只有像庖丁解牛一样，逐级划分，直到变成并行和串行的sub sub sub task。然后可以得出task的总的耗时和这些sssssub task的执行时间的数学关系。瓶颈定位变成数学公式，看起来简单了是吧。

　　3、第2条是针对一个测试性能数据而言的。如果很多的测试用例走了不同的分支，既不同的sub task，使得按照2得到不同的公式，问题变成如下的：

　　TC1 Perf Bottleneck = F1(sub1， sub2， sub3，...)

　　TC2 Perf Bottleneck = F2(sub1， sub2， sub3，...)

　　TC3 Perf Bottleneck = F3(sub1， sub2， sub3，...)

　　TC4 Perf Bottleneck = F4(sub1， sub2， sub3，...)

　　...

　　也是说终系统的性能在不同的测试用例的情况下，得到的和sub task的关系是不一样的。那么如果我们需要提高整个系统的总体性能，也是找到谁才是需要被优化的sub task，我们还是的回到用户模型。针对用户模型的时间分析，我们可以得出每个test case的用户使用概率百分比。例如：TC1 10%，TC2 40%， TC3 10%， TC4 20%。有了这样的数据，带入F1，F2，F3和F4，大致可以搞清楚哪些sub task是主要的瓶颈。

　　4.此外，还需考虑task只能到底耗费的是什么资源，是CPU，是harddisk，是网络带宽。这个取决于你的task划分的粒度以及对每个sub task实现细节的了解。