chaos-engineering-resilience

混沌工程与韧性测试

<default_to_action> 测试系统韧性或注入故障时：

1. 定义稳态（正常指标：错误率、延迟、吞吐量）
2. 假设系统在故障期间仍能保持稳态
3. 注入真实世界的故障（网络、实例、磁盘、CPU）
4. 观察并衡量与稳态的偏差
5. 修复发现的弱点，记录操作手册，然后重复测试

混沌测试快速步骤：

• 从小规模开始：开发环境 → 预发布环境 → 1% 生产流量 → 逐步扩大范围
• 定义明确的回滚触发条件（error_rate > 5%）
• 衡量影响范围，绝不超出计划范围
• 记录发现的问题 → 编写操作手册 → 提升韧性

成功的关键因素：

• 受控实验并支持自动回滚
• 稳态必须可衡量
• 从非生产环境开始，再逐步扩展到生产环境 </default_to_action>

速查卡

适用场景

• 验证分布式系统
• 灾难恢复测试
• 增强对容错能力的信心
• 生产前韧性验证

要注入的故障类型

类别	故障	工具
网络	延迟、丢包、网络分区	tc, toxiproxy
基础设施	终止实例、磁盘故障、CPU 故障	Chaos Monkey
应用程序	异常、响应缓慢、内存泄漏	Gremlin, LitmusChaos
依赖项	服务中断、超时	WireMock

影响范围递进

Dev (safe) → Staging → 1% prod → 10% → 50% → 100%
     ↓           ↓         ↓        ↓
  Learn      Validate   Careful   Full confidence

稳态指标

指标	正常值	告警阈值
错误率	< 0.1%	> 1%
p99 延迟	< 200ms	> 500ms
吞吐量	基线	-20%

---

混沌实验结构

// Chaos experiment definition
const experiment = {
  name: 'Database latency injection',
  hypothesis: 'System handles 500ms DB latency gracefully',
  steadyState: {
    errorRate: '< 0.1%',
    p99Latency: '< 300ms'
  },
  method: {
    type: 'network-latency',
    target: 'database',
    delay: '500ms',
    duration: '5m'
  },
  rollback: {
    automatic: true,
    trigger: 'errorRate > 5%'
  }
};

---

Agent 驱动的混沌测试

// qe-chaos-engineer runs controlled experiments
await Task("Chaos Experiment", {
  target: 'payment-service',
  failure: 'terminate-random-instance',
  blastRadius: '10%',
  duration: '5m',
  steadyStateHypothesis: {
    metric: 'success-rate',
    threshold: 0.99
  },
  autoRollback: true
}, "qe-chaos-engineer");

// Validates:
// - System recovers automatically
// - Error rate stays within threshold
// - No data loss
// - Alerts triggered appropriately

---

Agent 协作提示

记忆命名空间

aqe/chaos-engineering/
├── experiments/*       - Experiment definitions & results
├── steady-states/*     - Baseline measurements
├── runbooks/*          - Generated recovery procedures
└── blast-radius/*      - Impact analysis

集群协作

const chaosFleet = await FleetManager.coordinate({
  strategy: 'chaos-engineering',
  agents: [
    'qe-chaos-engineer',          // Experiment execution
    'qe-performance-tester',      // Baseline metrics
    'qe-production-intelligence'  // Production monitoring
  ],
  topology: 'sequential'
});

---

相关技能

• shift-right-testing - 生产环境测试
• performance-testing - 负载测试
• test-environment-management - 环境稳定性

---

请记住

主动破坏系统，以防止意外中断。 在用户发现问题之前找出弱点。定义稳态、注入故障、衡量影响、修复弱点并创建操作手册。从小规模开始，逐步扩大影响范围。

使用 Agents： qe-chaos-engineer 可自动执行混沌实验，并控制影响范围、自动回滚，还能全面验证韧性。它会根据实验结果生成操作手册。