Chaos Engineering #

混沌工程是一种有意在系统中引入故障的实践，旨在测试系统的弹性，同时确保应用程序和工程团队具备应对动荡和意外事件的能力。混沌工程工具提供了一种受控方式，可以向特定的应用实例注入故障并执行特定的实验。

解决的问题 #

复杂系统不可避免地会因多种原因发生故障，而在分布式系统中，这些故障的后果通常难以预测和理解。接受故障不可避免的组织采用混沌工程，他们不是试图防止故障，而是专注于如何从故障中恢复。这种方法被称为优化系统的平均修复时间(mean time to repair)（MTTR）。

提示

传统的应用高可用性维护方法通常被称为优化平均故障间隔时间（MTBF）。一些组织采用设置“变更评审委员会”或实施“长时间变更冻结”（即在一定时间内暂停所有系统变更）等手段，以稳定应用环境。《Accelerate》一书的作者指出，高绩效 IT 组织通过优化平均修复时间（MTTR）来实现高可用性，因为这种方法能够更快地从故障中恢复，并有效提高系统的灵活性和可靠性。

提供的帮助 #

在云原生世界中，应用程序必须能够动态调整自身行为以应对故障，这是一种相对较新的概念。这意味着，当某些组件发生故障时，系统不会完全瘫痪，而是能够平稳降级或有序恢复。借助混沌工程工具，您可以在生产环境中对软件系统进行实验，以确保系统在真实故障发生时表现出可靠的应对能力。

简而言之，您对系统进行实验是为了确保它能够承受波动和意外情况。与其被动等待问题发生后再应对，您可以在受控条件下对系统施加压力，主动识别其弱点并在问题暴露之前加以修复，从而提升系统的韧性和可靠性。

技术基础 #

混沌工程工具和实践对于实现应用程序的高可用性至关重要。分布式系统通常过于复杂，任何一位工程师都难以完全理解其全貌，尤其是在团队协作中，而任何变更流程也无法完全预判变更对环境的影响。通过引入主动的混沌工程实践，团队可以探索并自动化故障恢复流程，从而提升系统韧性和稳定性。在这一领域，Chaos Mesh 和 Litmus Chaos 是两个广泛应用的 CNCF 工具，分别提供用于模拟故障和验证系统恢复能力的解决方案。

Keywords #

• Chaos Engineering - 混沌工程

Projects #

• Chaos Mesh
• Litmus