AWS云上混沌工程实践之对照实验设计篇
关于混沌工程的小漫画：
“如果你不提早发现和解决问题（引入混沌工程实验），最后问题会来（周末／半夜）解决你”。
图1 混沌工程带来的变化
我们在启动篇从混沌工程的发展历程出发，分析了社区对混沌工程的理解并不是一蹴而就而是循序渐进，以此得到了第一个重要结论：
结论1 :“并不是只有研发实力突出的大型互联网公司才能实践混沌工程”。
可行性评估篇明确了混沌工程的过去、当前和未来目标（实现韧性系统，如图2所示），为了帮助不同类型的公司来进行实践混沌工程，我们提出了混沌工程的可行性评估模型。
图2 混沌工程的过去和未来
因此，我们得到了第二个重要的结论：
结论2 :“也许很多公司目前仍处在第三象限（实验技术成熟度低、公司接纳指数低），但只要根据可行性评估模型中的逐项要求和未来发展的路线图，迭代推进和持续改进，我们都可以从混沌工程实践中获得收益。”
接下来的问题便是，混沌工程实验要怎么做，具体的设计方法是什么？
混沌工程实验：一个持续性迭代的闭环体系
图3 混沌工程实验的实践流程
如图3所示，完整的混沌工程实验是一个持续性迭代的闭环体系，从初步的实验需求和实验对象出发，通过实验可行性评估，确定实验范围，设计合适的观测指标、实验场景和环境，选择合适的实验工具和平台框架；建立实验计划，和实验对象的干系人充分沟通，进而联合执行实验过程，并搜集预先设计好的实验指标；待实验完成后，清理和恢复实验环境，对实验结果进行分析，追踪根源并解决问题，并将以上实验场景自动化，并入流水线，定期执行；之后，便可开始增加新的实验范围，持续迭代和有序改进。
下面我们会深入讨论有关混沌工程实验的准备事项：
- 实验可行性评估
- 观测指标设计与对照
- 实验场景和环境的设计
- 实验工具和平台框架选型（限于篇幅，未完待续）
实验可行性评估
可行性评估篇提供了这样一个混沌工程实验的可行性评估模型，从多个维度对实验技术的成熟度做了定性分析。此处的实验可行性评估，依照这个可行性评估模型，会针对具体的实验需求和实验对象进行细致评估。常见的一个形式是对照“可行性评估问题表”，对实验对象的干系人进行访谈。可行性评估问题表的内容会包含以下几个方面：
- 架构抵御故障的能力：通过对实验对象的架构高可用性的分析和评估，找出潜在的系统单点风险，确定合理的实验范围。
- 实验指标设计：评估目前实验对象判定业务正常运行所需的业务指标、应用健康状况指标和其他系统指标。
- 实验环境选择：选择实验对象可以应用的实验环境：开发、测试、预生产、生产。
- 实验工具使用：评估目前实验对象对实验工具的熟悉程度。
- 故障注入场景及爆炸半径：讨论和选择可行的故障注入场景，并评估每个场景的爆炸半径。
- 实验自动化能力：衡量目前实验对象的平台自动化实施能力。
- 环境恢复能力：根据选定的故障注入场景，评估实验对象对环境的清理和恢复能力。
- 实验结果整理：根据实验需求，讨论确定实验结果和解读分析报告的内容项。
观测指标设计与对照
观测指标设计
观测指标的设计是整个混沌工程实验成功与否的关键之一。最新的调研报告“Chaos Engineering Observability: Bringing Chaos Experiments into System Observability”指出在进行混沌工程实验过程中，系统可观测性已成为一种“强制性功能”，良好的系统可观测性会给混沌工程实验带来一个强有力的数据支撑，为后续的实验结果解读、问题追踪和最终解决提供了坚实的基础。
以下是常见混沌工程实验的观测指标类型：
- 业务性指标：价值最大，探测难度最大
- 应用健康指标：反映应用的健康状况
- 其他系统指标：较易获取，反映基础设施和系统的运行状况
以Netflix为例，早在2008年Netflix起步流媒体，手动追踪数百个指标，全靠人工来检测问题。 这种方法适用于数十台服务器和数千台设备，但不适用于未来的数千台服务器和数百万台设备。最终Netflix找到了一个可以反映业务状况、用户参与度的指标：每秒流视频启动次数SPS (stream-starts-per-second)。
SPS指标示例比较（红色=当前周，黑色=前一周）
SPS 模式通常是比较规则的，受到假日和事件等外部影响会有所变化。上图描绘的就是 SPS 随时间变化的波动情况，可以看出，它有一个稳定的模式，每天 SPS 峰值发生在晚上，谷值发生在清晨。这是因为人们习惯于在晚餐时间看电视节目。假期时，白天的观看次数增加，因为有更多的空闲时间在Netflix上观看节目。
观测指标对照
如果我们将过去一周的波动图放在当前的波动图之上，就像上图中当前的图线是红色，上一周的图线是黑色，以求找出其中的差异。由此，我们可用“受SPS影响”或“不影响SPS”来衡量业务的状况。此外，由于 SPS 随时间的变化可以预期，所以我们可用一周前的 SPS 波动图作为稳定状态的模型，并通过使用预期SPS级别与实际SPS级别来衡量业务的可用性。Netflix SPS指标的这种特性，也提醒我们应以观测指标的稳定状态进行对照。
不过可行性评估中，我们发现有很多的用户还是无法定义一个合适的业务指标，如无法准确定义一个稳定状态，那么我们也可以退而求其次，使用多个指标进行联合分析来对照。具体的联合分析方法包括：静态阈值、指数平滑、双指数平滑、贝叶斯检测、马尔可夫链蒙特卡罗方法（MCMC）、鲁棒主成分分析（PCA）等等，后面我们可以专门来详细讨论。
实验场景和环境的设计
实验场景和环境的设计要努力遵循以下三大设计目标：
- 在生产环境运行实验
- 持续自动化运行实验
- 最小化实验场景的“爆炸半径”
实验场景设计
以下是亚马逊AWS云上常见的实验场景：
| 故障注入场景 | 具体描述 |
|---|---|
| 依赖型故障 | AWS 托管服务异常：ELB／S3 / DynamoDB／Lambda，… |
| 主机型故障 | EC2 实例异常终止，EC2 实例异常关闭，EBS 磁盘卷异常卸载，容器异常终止，容器异常关闭，RDS 数据库实例故障切换，ElastiCache 实例故障切换，… |
| 操作系统内故障 | CPU、内存、磁盘空间、IOPS 占满或突发过高占用，大文件，只读系统，系统重启，熵耗尽，… |
| 网络故障 | 网络延迟，网络丢包，DNS 解析故障，DNS 缓存毒化，VIP 转移，网络黑洞，… |
| 服务层故障 | 不正常关闭连接，进程被杀死，暂停／启用进程，内核奔溃，… |
| 请求拦截型故障 | 异常请求，请求处理延迟，… |
这些场景的实施能力，依赖于实验工具和平台框架的选型，后面我们会专门来深入讨论。
实验环境设计
实验环境的不同，带来不同的业务风险。生产环境的业务风险最大，开发环境的业务风险最小，其他依次类推。我们会建议用户在生产环境上进行混沌工程实验，当然前提是这些实验场景和工具已经在开发／测试和预生产环境得到了验证。当然在生产环境上进行混沌工程实验也不是强制的，用户可以选择适合自己的推进节奏，逐步向生产环境靠拢。因为实验越接近生产环境，从结果中学到的越多。同时，为了体现实验对照的效果，在生产环境进行的混沌实验可以通过真实生产流量分支的方式，组建控制组和对照组，以此区分故障注入的影响，从一定程度上控制了爆炸半径。对于非生产环境的混沌工程实验，可采用模拟生产流量的方式，尽量和生产流量相似，来验证实验场景和工具的可靠性。
综上，本文是混沌工程专栏的第三篇，首先我们回顾了专栏前两篇中的重要结论，由此引申出“如何进行对照实验设计”这个实施性问题，并从实验可行性评估、观测指标设计与对照、实验场景和环境的设计三个维度，深入分析和讨论了混沌工程实验的对照设计原则和方法，后续我们还会针对特定专题进行剖析。