伴随着业务测试的开展，测试使用的机器逐渐增加：性能测试、全网回归、部署测试工具的机器等。当测试机器的规模逐步增加，达到上百台甚至上千台时，如何对这些机器进行有效的利用就面临着诸多挑战：
● 机器已申请，但长期未使用
● 机器处于使用状态，但资源浪费严重
● 部门整体的资源使用率无法估量
我们提出了机器利用率这个概念，来对机器的使用情况进行计算、统计和分类，提供直接有效的数据给各Owner，以期对机器的使用情况进行优化。
机器利用率是什么
机器的利用率是对一台机器的资源的使用情况的一个评价值。
目前，我们对机器资源的定义主要包含了以下四个百分比指标。
● cpu利用率
● load / （CPU核数＋1）
● 物理内存使用率
● 网络流量
对以上四个指标按照如下算法进行计算，得到的百分比即为机器利用率。
U ＝ Max（CPU， LOAD，MEM，NET）
根据木桶原理，最紧缺的资源决定了机器的总体利用水平, 即对四个百分比指标，取最大值，即可描述机器的利用率。
收集利用率数据
目前，淘宝的测试机器（包含虚拟机）已达到1000+，要管理如此规模的机器，我们需要借助工具来收集数据。
开源工具 cacti 能够稳定，及时，高效的完成这项任务。
使用cacti收集到的数据多而杂，还需要从cacti中对导出数据，提纯数据，去除无效数据，并进行汇总、入库。目前kelude使用定时任务执行工具脚本来完成这项工作。
测试环境利用率分析
从大量的机器上收集到海量的数据之后，我们就可以结合组织架构、时间、机器分类等维度来进行更详细的分析，并将这些分析后数据通过WEB 展现给用户。
按组织架构
结合组织架构，结算各部门的测试机器的总体利用程度。
