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
本文作者
「DaoCloud 道客」云原生研究院院长
参考资料：
https://developer.aliyun.com/article/689220
https://blog.csdn.net/qq_41340258/article/details/103081328
http://www.caict.ac.cn/kxyj/qwfb/ztbg/202112/P020211223588643401747.pdf
https://www.infoq.cn/article/fqdvs*rh6nwbfcmzk12f
https://medium.com/@adhorn/chaos-engineering-ab0cc9fbd12a
https://help.aliyun.com/document_detail/90327.html?spm=5176.10695662.1996646101.searchclickresult.7deb4972CcGvy6
DaoCloud 公司简介
「DaoCloud 道客」云原生领域的创新领导者，成立于 2014 年底，拥有自主知识产权的核心技术，致力于打造开放的云操作系统为企业数字化转型赋能。产品能力覆盖云原生应用的开发、交付、运维全生命周期，并提供公有云、私有云和混合云等多种交付方式。成立迄今，公司已在金融科技、先进制造、智能汽车、零售网点、城市大脑等多个领域深耕，标杆客户包括交通银行、浦发银行、上汽集团、东风汽车、海尔集团、屈臣氏、金拱门（麦当劳）等。目前，公司已完成了 D 轮超亿元融资，被誉为科技领域准独角兽企业。公司在北京、武汉、深圳、成都设立多家分公司及合资公司，总员工人数超过 400 人，是上海市高新技术企业、上海市“科技小巨人”企业和上海市“专精特新”企业，并入选了科创板培育企业名单。网址：www.daocloud.io
邮件：info@daocloud.io
电话：400 002 6898