第一章：为什么需要混沌工程？

1.1 传统测试的盲区

现实世界充满不确定性：

• 云服务商区域故障（AWS us-east-1 中断）
• 数据库主从切换延迟
• DNS 解析失败

1.2 混沌工程五大原则（来自 Netflix）

1. 建立稳态假设：系统在正常情况下表现如何？（如 P99 < 500ms）
2. 真实世界事件：模拟可能发生的故障（非随机破坏）
3. 自动化实验：在生产或类生产环境自动运行
4. 最小爆炸半径：控制影响范围（先单用户，再全量）
5. 持续验证：将混沌融入发布流程

目标不是制造混乱，而是暴露脆弱点。

第二章：故障注入工具选型

2.1 工具矩阵

本篇重点：

• 开发/CI 环境：Toxiproxy + 自定义 Python 装饰器
• 生产预演：Chaos Mesh（K8s）

第三章：实验 1 —— 数据库连接延迟

3.1 使用 Toxiproxy 模拟网络延迟

Toxiproxy 是一个 TCP 代理，可注入延迟、丢包、断连。

启动 Toxiproxy（Docker）

# docker-compose.chaos.yml version: '3' services: toxiproxy: image: shopify/toxiproxy ports: - "8474:8474" # API 管理端口 - "25432:25432" # 代理 PostgreSQL（原 5432 → 25432） command: ["-host", "0.0.0.0"]

注入 2 秒延迟

# 创建代理规则 curl -X POST http://localhost:8474/proxies -d '{ "name": "postgres_delay", "listen": "0.0.0.0:25432", "upstream": "db:5432" }' # 添加延迟故障 curl -X POST http://localhost:8474/proxies/postgres_delay/toxics -d '{ "name": "latency_toxic", "type": "latency", "attributes": { "latency": 2000, "jitter": 500 } }'

效果：所有数据库查询增加 2±0.5 秒延迟。

3.2 应用配置调整

Flask 应用连接字符串改为 Toxiproxy 地址：

# config.py SQLALCHEMY_DATABASE_URI = 'postgresql://user:pass@toxiproxy:25432/mydb'

3.3 验证系统行为

• 预期：前端显示加载状态，后端返回 504 超时（若无熔断）
• 改进：添加数据库查询超时（SQLAlchemystatement_timeout）

# engine 配置 engine = create_engine( DATABASE_URL, connect_args={"options": "-c statement_timeout=5000"} # 5秒超时 )

第四章：实验 2 —— Redis 缓存失效

4.1 模拟 Redis 宕机

直接停止 Redis 容器：

docker stop myapp-redis-1

4.2 应用降级策略

确保应用在 Redis 不可用时仍能工作（缓存穿透保护）：

# utils/cache.py from redis import Redis, ConnectionError def get_user_profile(user_id): try: cached = redis_client.get(f"user:{user_id}") if cached: return json.loads(cached) except ConnectionError: # Redis 不可用，直接查 DB pass # 回源数据库 user = User.query.get(user_id) # 注意：此时不写回 Redis（避免雪崩） return user.to_dict()

关键：缓存层应为可选依赖，而非硬依赖。

4.3 监控指标

• Redis 连接错误率应上升
• 数据库 QPS应短暂 spike
• API 延迟应小幅增加（但不崩溃）

第五章：实验 3 —— API 间歇性 500 错误

5.1 自定义 Flask 装饰器注入异常

# decorators/chaos.py import random from functools import wraps from flask import abort def inject_chaos(failure_rate=0.1): def decorator(f): @wraps(f) def wrapper(*args, **kwargs): if random.random() < failure_rate: # 模拟随机 500 错误 abort(500, "Chaos injected: Simulated server error") return f(*args, **kwargs) return wrapper return decorator

5.2 应用到关键路由

@app.route('/api/orders') @inject_chaos(failure_rate=0.2) # 20% 请求失败 @jwt_required() def get_orders(): # ...

5.3 前端容错处理

Vue 组件需处理 500 错误：

<script setup> const { data, error } = await useFetch('/api/orders') // 显示友好错误 if (error.value?.status === 500) { message.error('服务暂时不可用，请稍后重试') // 可选：自动重试（带退避） } </script>

目标：用户体验不中断，仅功能短暂降级。

第六章：实验 4 —— 前端资源加载失败

6.1 模拟 CDN 故障

使用 Nginx 返回 404：

# nginx.conf location ～* \.(js|css)$ { if ($arg_chaos = "true") { return 404; } }

访问https://app.com/main.js?chaos=true→ 404

6.2 前端韧性设计

• 资源重试：使用 Service Worker 缓存关键 JS
• 优雅降级：核心功能不依赖最新 JS（如 SSR 备份）
• 错误边界：Vue 的onErrorCaptured捕获组件错误

// main.ts app.config.errorHandler = (err, instance, info) => { Sentry.captureException(err) // 显示全局错误提示 showGlobalError("部分功能不可用") }

第七章：可观测性联动

7.1 关键指标监控

7.2 Grafana 仪表盘

创建Chaos Experiment Dashboard：

• 对比实验前后指标
• 标记实验开始/结束时间（通过 Annotation）

7.3 日志突变检测

使用 Loki + LogQL 检测错误日志激增：

count_over_time({job="flask"} |= "500" [5m]) > 10

第八章：自动化混沌测试（CI/CD 集成）

8.1 实验即代码（Chaos as Code）

定义实验 YAML：

# chaos/experiments/db-latency.yaml name: "Database Latency Test" steps: - name: Inject 2s latency to PostgreSQL type: toxiproxy config: proxy: postgres_delay toxic: type: latency attributes: latency: 2000 - name: Run E2E test suite type: script command: npm run test:e2e - name: Clean up type: toxiproxy action: remove_toxic

8.2 GitHub Actions 集成

# .github/workflows/chaos.yml name: Chaos Test on: [push] jobs: chaos: runs-on: ubuntu-latest steps: - uses: actions/checkout@v4 - name: Start app with Toxiproxy run: docker-compose -f docker-compose.yml -f docker-compose.chaos.yml up -d - name: Run chaos experiment run: python chaos-runner.py --experiment db-latency.yaml - name: Assert system stability run: | # 检查错误率是否 < 5% if [ $(get_error_rate) -gt 5 ]; then echo "Chaos test failed!" && exit 1 fi

安全机制：

• 仅在非主分支运行
• 自动清理故障注入

第九章：生产环境混沌（谨慎！）

9.1 Chaos Mesh（Kubernetes）

部署 Chaos Mesh Operator：

helm repo add chaos-mesh https://charts.chaos-mesh.org helm install chaos-mesh chaos-mesh/chaos-mesh -n chaos-testing --create-namespace

9.2 Pod 网络延迟实验

# network-delay.yaml apiVersion: chaos-mesh.org/v1alpha1 kind: NetworkChaos metadata: name: delay-postgres-traffic spec: action: delay mode: one # 只影响一个 Pod selector: namespaces: ["myapp"] labelSelectors: app: flask-api delay: latency: "2s" target: selector: namespaces: ["database"] labelSelectors: app: postgres

9.3 金丝雀发布 + 混沌

• 对 1% 用户流量注入故障
• 监控错误率，若超标则自动回滚

第十章：文化与流程

10.1 混沌工程不是“破坏者”

• 提前通知：团队知晓实验计划
• 复盘会议：每次实验后分析根因
• 奖励改进：修复脆弱点的团队获得认可

10.2 从“救火”到“防火”

总结：韧性不是功能，而是属性

真正的高可用，经得起主动破坏。