未雨绸缪：如何利用混沌工程应对未知故障

未知，

既然避不开，为何不拥抱它？

在实际生产环境中，各种无法预知的事件难以避免，风险隐患无处不在。分布式系统架构的复杂性、海量数据的计算与存储、跨团队协同等，这些都在向系统的稳定性发起挑战。系统不确定性风险的加剧，最终将会波及到我们业务的连续性。

你是否想过：如果整个区域或数据中心出现故障、服务出现访问延迟、系统时钟不同步等这些问题发生，将会带来怎样的后果？其中有些结果我们可以预知，但更多可能在意料之外。这时候，你可以阅读这篇文章了解——“混沌工程”。

初识混沌工程

混沌工程 (Chaos Engineering) 是通过主动向系统中引入软件或硬件的异常状态 (扰动)，制造故障场景，并根据系统在各种压力下的行为表现，确定优化策略的一种系统性稳定性保障手段。

Netflix 前云架构师 Adrian Cockcroft，在 2018 年关于混沌工程的演讲中，提出了关于混沌工程的更精确的定义：“混沌工程是一种确保减轻故障影响的实验”。也有人将混沌工程比作疫苗，通过 “接种疫苗” 的方式，让系统具备抵挡 “重大疾病” 的能力。

2010 年底，Netflix 向全世界推出 Chaos Monkey ，其主要功能是随机终止在生产环境中运行的虚拟机实例和容器，模拟系统基础设施遭到破坏的场景，使得工程师能够观察服务是否健壮、有弹性，能否容忍计划外的故障。这就是混沌工程的早期雏形。

混沌工程可以为我们做什么？

混沌工程是故障测试吗？

混沌工程，与故障注入、故障测试等测试方法，有本质上的区别。混沌工程是一种生成新信息的实践，而故障注入是测试已知属性的方法。

在传统测试里，我们可以写一个断言，给定特定的条件，产生一个特定的输出，如果不满足断言条件，就说明测试出错，它不能产出一些让我们始料未及的 “惊喜”。

而混沌工程是探索更多未知场景的实验，实验会有怎样的新信息生成，我们是不确定的。

02

混沌工程原则

以下原则描述了应用混沌工程的理想方式：

可量化的稳定状态

实施混沌工程，首先要了解系统在正常状态下的行为。因为，在人为注入故障后，不仅要评估故障注入对系统造成的影响，还要确保系统能够恢复到这个稳定状态。

因此，需要收集一些可测量的指标，来实现系统稳定状态的可观测性。而业务指标相比系统指标 (如 CPU 负载、内存使用率等)，更能反映系统的健康状态以及用户满意度。

反映真实世界但风险未知的假设

在真实业务场景中，遇到的任何故障都是混沌实验的潜在变量。目前业界已经有了按照 IaaS 层、PaaS 层、SaaS 层划分的故障画像 (如下图)。除了对这些已出现的问题进行分类、优先级排序外，也要对未来可能会出现的新问题保持关注。

同时，践行混沌工程要以接受不确定性为思想前提，即把重点放在发现未知的风险并进行改进，而非做出对实验输入和输出有明确预期的假设。

但是，在决定引入哪些事件时，也需要估算事件发生的概率和最终影响范围，推算造成的成本和复杂度等。

自动化的生产环境实战

同军队演练一样，将每次演习都看作是一次实战。生产环境的服务状态和流量模式等问题也会影响到系统的行为。

因此，最好直接在生产环境中进行混沌实验。混沌工程实验还应该实现自动化且可持续运行，能够全自动的设计、执行和终止实验。

影响最小化

面对未知实验，想要完全避免不出问题是不可能的。在生产环境中进行实验必然是有风险的，但冒这个风险的代价总会比将来大规模业务中断所带来的打击要小。

而我们所要做的就是，使用技术手段最小化故障对客户的影响，即 “最小爆炸半径”，如采取小范围的故障注入、流量路由、数据隔离等手段。

03

如何实施
混沌工程

1. 设计实验

1.1 确定稳态指标

确定一个与用户相关的关键性能指标，如订单量或每秒的流量等。

1.2 创建假设

假设系统会出现哪些问题，注入了相应故障后会发生什么，这个结果可能会对客户造成什么影响。

2.执行实验

2.1 确定实验范围——控制半径

2.2 故障注入

3.故障观察

如果观测到稳态指标受到影响，则可以停止实验。接下来首先评估故障本身，根据指标变化情况来验证 (或反驳) 预先的假设。然后，检查仪表板和警报，看看是否有其他意外变动。

4.事后分析——发现新故障

实验结束后，需要深入分析总结故障的种类、影响、发生的原因以及防止未来发生类似故障的方法。

通过混沌实验，你有可能在系统瘫痪之前，发现了新故障并及时进行了修复，你也有可能会发现，系统对注入的故障具有恢复弹性，因而增强了对系统的信心。

04

开源项目

Chaos Monkey

https://github.com/netflix/chaosmonkey%0a

Chaos Mesh

Chaos Mesh 是一个云原生混沌工程平台，提供了在 Kubernetes 平台上进行混沌测试的能力。

https://github.com/chaos-mesh/chaos-mesh%0a

Litmus

Litmus 是一种开源的云原生混沌工程工具集，帮助 K8s SRE 和开发人员发现 K8s 平台和应用的韧性问题。

https://github.com/litmuschaos/litmus%0a

Chaosblade

ChaosBlade 是阿里巴巴在其自身故障测试和演练实践基础上，结合自身业务场景而开发的面向多集群、多环境、多语言的混沌工程平台。

https://github.com/chaosblade-io/chaosblade%0a

声明：本文来源：由《道客船长》公众号整理分享大家，仅供学习使用，不得用于商用，引用或转载请注明出处！如有侵权请联系我们（zhulin@wisdomidata.com）删除！