混沌工程（Chaos Engineering）不是一个新概念，从Netflix的工程师创建混沌猴子开始，已经默默发展了数年，随着近年云原生的兴起，混沌工程开始频繁地出现在我们面前。作为一种提高技术架构弹性能力的复杂技术手段，混沌工程在分布式系统上进行随机的故障注入实验，和云原生规模宏大、结构复杂、可靠性要求高的特点完美匹配，为云原生的发展提供较强助力。

云原生 × 混沌工程

“今年要搞云原生，混沌工程也要考虑了。”

“听说某某公司建了个混沌工程平台呢。”

“我最近也在研究混沌工程。”

最近是不是经常听到这样的对话？

混沌工程到底是什么？

为什么要实施混沌工程？

怎么实施？

如果你还不太了解❓

那就听我给你介绍一下吧👇

Part 01

●  什么是混沌工程 ●

有一只猴子，非常调皮，上蹿下跳地到处搞破坏，不知道什么时候就把系统内哪台服务给搞挂了，可是IT人们不仅不想办法消灭它，还非常欢迎它，甚至任由它的队伍发展壮大，成立了“猴子军团”！是不是特别匪夷所思？其实，这就是混沌工程的始祖，由Netflix公司开发的Chaos Monkey，让我们来了解一下吧。

根据这只猴子的特性，想必大家也能猜个几分了，在系统内随机搞破坏，制造一些正常手段难以设计的故障，验证系统的恢复能力，提高系统的可靠性，如果给个定义的话，混沌工程就是一种提高技术架构弹性能力的复杂技术手段。是不是感觉跟我们常说的“故障注入”有点像呢？没错，“故障注入”是混沌工程最重要的组成部分，“故障演练”和混沌工程确实有一部分重叠，只是混沌工程的内涵更丰富，有自己的通用准则，在实施层面上看，混沌工程更像是一种实验，并不预设实验结果。

Part 02

●  为什么要实施混沌工程 ●

按照目前云原生时代流行的持续测试的理念，测试人员在软件生命周期的需求分析阶段就介入了，更有自动化测试、测试左移/后移等手段的保驾护航，难道还会有发现不了的bug？还需要引入混沌工程？答案是肯定的。因为目前的测试手段都是基于制定好的测试用例来执行测试，测试结果是有预期的，对于复杂的系统，尤其是动辄成千上万台服务器的云环境，我们很难预计到系统内会发生什么故障，更无法预期发生一个小小的故障对整个系统会产生多大的影响。混沌工程就是为了解决这个问题而产生的，尽可能产生随机故障，监控系统的表现，为加固系统提供参考和建议，这样就能不断提高系统的健壮性。

Part 03

●  怎么实施混沌工程 ●

作为混沌工程的基础，肯定要先了解下故障注入，其实业界已经有了相对通用的按照等级划分的故障画像了。

有了故障画像，混沌工程的实施就有了基础，Netflix也给出了混沌工程的实施步骤以及设计原则，经过多年的发展，阿里巴巴、亚马逊等巨头公司都有了自己的混沌工程平台，同时开源了很多故障注入工具，站在巨人的肩膀上，我们再来实施混沌工程就容易了很多。

目前比较受欢迎的开源工具见下表，大部分的工具是在chaos monkey的基础上衍生出来的：

我们研究了部分开源工具，并在项目上进行了实践。不管是在虚拟机环境还是容器环境，这些工具的使用都非常简单，覆盖的故障场景也相对比较全面，从底层服务器级别，到代码的方法级别，常规的故障都可以模拟。当然了，目前支持的故障场景比较简单，很多常用的中间件也暂不支持，留给我们很大的二次开发空间。

这些开源工具存在的通用问题整理如下：

1、功能分散、单薄。每种工具在功能上都有局限性，只具备模拟部分故障的能力；

2、重点都在故障注入，在混沌工程的其他设计原则方面比较欠缺。不能自动化执行，没有可视化管理界面，对实验的爆炸半径控制不够等。

那什么样的才是完整的混沌工程平台呢？除了故障类型的支持，权限管理、资源管理、演练推荐、流程编排等   都是一个成熟的混沌工程平台的必要组成部分，甚至可以提供攻防演练等上层能力。所以说，搭建一个成熟的混沌工程平台不是一件容易的事情。

●  总结 ●

混沌工程发展了这么多年，前人已经在故障画像、故障注入工具、混沌工程平台搭建思路等方面打好了坚实的基础，进而推动混沌工程技术持续进步与完善，随着云原生技术的发展，混沌工程的价值也将更加显现。